（来源：上观新闻）
罗福莉提到，过去😏🙇♀️两年，中国大🚿💟模型团队能够🈶在有限算力条🇲🇼件下不断🈵往前走，靠的🕠并不只是规🕡🍥模化，更重🧤🇦🇨要的是🕣🌛延续了“更高效👩👩👧👦训练、🦔⛩更低成👈🇨🇦本推理”的创新🔕思路😮。通过将龙虾、S☮kills👊🍌（技能文档）打包🇦🇪，并将模型🔘本地部❗署在外接硬件🇦🇬中，既能🐂省去复🦙杂的部署流程，还🧗♂️能通过对模🇸🇽🤫型的本地调用，不❗产生额外的T🍉🖨oken😈🇲🇾消耗📲👨👨👧👧。这种能🕔力对于🇸🇹保护和传承💼👖濒危语言具有重👩⚖️👨🏭要意义，可以🇳🇷帮助这些🍺🇬🇪语言的使💻🇧🇩用者更好地融🛠入数字世界🐢🛥。」 马🇪🇸斯克关注的🗿AI大神Roh🔫🇷🇸an Pa🇲🇳⚽ul进一🌶🇬🇦步延伸：「同⛴👨🚒样的混合工作流🥤模式也可以应用🧻🤨于许多不同的场❎⏹景中，其中在间歇🤒🎐性的时间⛽内，人🇹🇴类应始终🍚😶参与其🇨🇵中，直到机🕸器人完全接管😃⏫。
不同于高端超节点🤤🆗对极致🇵🇸性能的单一🐿🤬追求，刚需型🏚产品必须兼顾性✂🦞能适配、成❤本可控🦔与部署便捷三🧹大核心诉求：🕑既要突👩🔧🧼破传统8卡🍟服务器的性能瓶🍃颈，又🇯🇪要把采购、运维🐀🇩🇴、机房🏮🇮🇷改造等综合成本🆓压到中小❓🔏企业可承受范👪🇳🇫围，同时🐗🇪🇭降低部署门槛，适🥫☣配现有基础设施条🎸🇰🇷件，避免“性能不🇺🇿*️⃣够用”或“➖💬成本用不起”🚁🚞的两难♑。在学术界和工程💿📬界，有一个公认5️⃣的近似👱♀️6️⃣估算：生成（或✡🚀处理） 1 个 🤑词元所需的浮点🕷运算次数约是2 🤷♀️倍的模型参数量🍰。
