這項由印度理工學(xué)院焦特布爾分校的Abhirama Subramanyam Penamakuri、Navlika Singh、Piyush Arora和Anand Mishra團(tuán)隊完成的研究發(fā)表于2025年9月，論文編號為arXiv:2509.16633v1。有興趣深入了解的讀者可以通過該編號查詢完整論文。

在人工智能的世界里，有一個讓所有研究者頭疼的問題：大模型雖然聰明，但就像豪華跑車一樣耗費(fèi)資源；小模型雖然輕便，但智商卻遠(yuǎn)遠(yuǎn)不夠。就好比你有一位博學(xué)的教授朋友，他什么都懂，但每次請教問題都需要花費(fèi)大量時間和金錢；而你身邊還有一位普通朋友，雖然隨時可以聊天，但很多復(fù)雜問題他都答不上來。

現(xiàn)在，印度理工學(xué)院的研究團(tuán)隊找到了一個絕妙的解決方案。他們開發(fā)出一套名為"模型對等對齊器"（Model Parity Aligner，簡稱MPA）的訓(xùn)練方法，就像給普通朋友請了一位私人家教，讓他能夠接近博學(xué)教授的水平，而且這個過程完全不需要昂貴的教科書——也就是說，不需要人工標(biāo)注的訓(xùn)練數(shù)據(jù)。

這項研究的核心創(chuàng)新在于，它解決了一個長期困擾AI領(lǐng)域的矛盾：大型視覺語言模型（想象成能看圖說話的AI博士）雖然表現(xiàn)出色，但運(yùn)行成本高昂，普通用戶難以承受；而小型模型雖然運(yùn)行便宜，但在復(fù)雜的視覺問答任務(wù)上表現(xiàn)差強(qiáng)人意。研究團(tuán)隊的解決方案就像是讓小學(xué)生通過觀察大學(xué)教授的解題過程來快速提升自己的能力，而且這個過程不需要標(biāo)準(zhǔn)答案，只需要大量的練習(xí)題。

一、智能導(dǎo)師的三步教學(xué)法

研究團(tuán)隊設(shè)計的MPA系統(tǒng)就像一位經(jīng)驗豐富的私人導(dǎo)師，采用了三個精心設(shè)計的教學(xué)步驟。這個過程就好比一位資深老師在培養(yǎng)新手教師：首先讓專家老師出題并給出答案，然后找出新手老師不會的題目，最后專門針對這些薄弱環(huán)節(jié)進(jìn)行強(qiáng)化訓(xùn)練。

第一步被稱為"偽標(biāo)注器"，就像讓博學(xué)的大模型充當(dāng)出題老師。研究團(tuán)隊給大模型展示大量沒有標(biāo)注的圖片，讓它自己提出問題并給出答案。這個過程就像讓一位經(jīng)驗豐富的老師看著各種圖片，然后自己出題自己答題，創(chuàng)造出大量的練習(xí)材料。比如看到一張鐘表圖片，大模型可能會問"現(xiàn)在幾點了？"并回答"5點整"。這種自問自答的方式雖然聽起來簡單，但實際上充分利用了大模型強(qiáng)大的理解和推理能力。

第二步叫做"對等識別器"，這是整個系統(tǒng)最巧妙的部分。就像一位細(xì)心的教練，它會仔細(xì)觀察大模型和小模型在同樣問題上的表現(xiàn)差異。當(dāng)面對同一個問題時，如果大模型答對了而小模型答錯了，系統(tǒng)就會把這個問題標(biāo)記為"知識差距"。這種方法的聰明之處在于，它不是盲目地使用所有練習(xí)題，而是精準(zhǔn)地找出小模型真正需要學(xué)習(xí)的內(nèi)容。就好比一位家教老師不會讓學(xué)生重復(fù)練習(xí)已經(jīng)掌握的簡單題目，而是專門挑選學(xué)生容易出錯的難題進(jìn)行強(qiáng)化訓(xùn)練。

第三步是"對等平衡器"，負(fù)責(zé)最終的訓(xùn)練過程。系統(tǒng)會用前面篩選出的高質(zhì)量題目來訓(xùn)練小模型，就像用精心挑選的練習(xí)題來提升學(xué)生的能力。這個過程中，小模型會反復(fù)練習(xí)那些它原本不會的題目，直到能夠給出正確答案。整個訓(xùn)練過程就像是一個循序漸進(jìn)的學(xué)習(xí)過程，小模型在大模型的指導(dǎo)下逐步提升自己的能力。

二、四個考場上的精彩表現(xiàn)

為了驗證這套教學(xué)方法的效果，研究團(tuán)隊選擇了四個不同類型的"考試"來測試小模型的學(xué)習(xí)成果。這些考試就像是四個不同的專業(yè)領(lǐng)域，每個都需要特殊的技能和知識。

第一個考試是TextVQA，專門測試模型能否讀懂圖片中的文字并回答相關(guān)問題。這就像是讓AI參加一個"看圖識字"的考試，需要它不僅能看懂圖片，還要能準(zhǔn)確讀出其中的文字內(nèi)容。比如給它看一張商店招牌的照片，然后問"這家店叫什么名字？"這類問題對人類來說很簡單，但對AI來說卻需要同時具備視覺理解和文字識別的雙重能力。

第二個考試是ST-VQA，測試的是場景文字的視覺問答能力。這比前一個考試更加復(fù)雜，因為它不僅要求AI能讀懂文字，還要理解這些文字在特定場景中的含義。就像讓AI看一張街道照片，不僅要讀出路牌上的字，還要理解這些信息在整個場景中的作用和意義。

第三個考試ChartQA專門考察圖表理解能力。這就像是讓AI參加一個數(shù)據(jù)分析師的入門考試，需要它能夠看懂各種圖表、理解數(shù)據(jù)趨勢、進(jìn)行數(shù)值計算。比如給它看一個銷售趨勢圖，然后問"哪一年的銷售額最高？"這類問題需要AI具備數(shù)學(xué)推理和圖表分析的綜合能力。

第四個考試OKVQA是最具挑戰(zhàn)性的，它需要AI運(yùn)用外部知識來回答問題。這就像是一個常識問答考試，不僅要看懂圖片，還要結(jié)合已有的知識進(jìn)行推理。比如看到一張動物照片，問"這種動物的平均壽命是多少？"這類問題需要AI具備豐富的背景知識和推理能力。

在這四個考試中，經(jīng)過MPA訓(xùn)練的小模型都取得了顯著的進(jìn)步。最令人印象深刻的是，一個只有20億參數(shù)的小模型在圖表理解考試中的準(zhǔn)確率從12%提升到了27.2%，這相當(dāng)于從不及格直接躍升到了良好水平。這種提升幅度在AI領(lǐng)域是相當(dāng)罕見的，證明了這套教學(xué)方法的有效性。

三、從五個學(xué)生身上看到的成長奇跡

研究團(tuán)隊選擇了五個不同"智力水平"的小模型作為學(xué)生，它們的參數(shù)量從5億到40億不等，就像是從小學(xué)生到高中生的不同年級。通過MPA的訓(xùn)練，每個學(xué)生都取得了顯著的進(jìn)步，但進(jìn)步的幅度卻因"年級"而異，這個現(xiàn)象本身就很有趣。

最小的學(xué)生SmolVLM只有5億個參數(shù)，就像一個剛?cè)雽W(xué)的小學(xué)生。雖然它的基礎(chǔ)最薄弱，但在MPA的幫助下，它在各個考試中都取得了穩(wěn)定的進(jìn)步。特別是在圖表理解方面，它的準(zhǔn)確率提升了3.4個百分點，這對于一個如此小規(guī)模的模型來說已經(jīng)是相當(dāng)不錯的成績了。

TinyLLaVA是一個20億參數(shù)的模型，就像一個聰明的初中生。它在MPA訓(xùn)練后展現(xiàn)出了最大的進(jìn)步潛力，平均提升幅度達(dá)到了6.8個百分點。特別值得注意的是，它在圖表理解考試中的表現(xiàn)幾乎翻了一倍多，從12%提升到了27.2%。這種戲劇性的提升說明，對于中等規(guī)模的模型，MPA的效果最為顯著。

InternVL2系列包括了20億和40億參數(shù)兩個版本，就像是高中的不同年級學(xué)生。有趣的是，20億參數(shù)版本的提升幅度（平均3.0個百分點）反而比40億參數(shù)版本（平均2.1個百分點）更大。這個現(xiàn)象就像是高一學(xué)生比高三學(xué)生更容易提高成績一樣，因為基礎(chǔ)越好的學(xué)生，繼續(xù)提升的空間反而越有限。

Qwen2VL-2B是另一個20億參數(shù)的模型，它在各個考試中都表現(xiàn)出了均衡的提升。特別是在文字理解方面，它的準(zhǔn)確率提升了4.7個百分點，顯示出了良好的學(xué)習(xí)能力。

通過對這五個不同規(guī)模模型的觀察，研究團(tuán)隊發(fā)現(xiàn)了一個有趣的規(guī)律：中等規(guī)模的模型（20億參數(shù)左右）從MPA中獲益最大，而過小或過大的模型提升幅度相對有限。這就像是教育中的"最近發(fā)展區(qū)"理論——學(xué)生在適當(dāng)?shù)奶魬?zhàn)水平下學(xué)習(xí)效果最好。

四、兩位大師級導(dǎo)師的不同風(fēng)格

在這套教學(xué)系統(tǒng)中，大模型扮演著導(dǎo)師的角色。研究團(tuán)隊選擇了兩位"大師級導(dǎo)師"：Qwen2VL-7B和InternVL2-8B，它們分別有70億和80億個參數(shù)，就像是兩位經(jīng)驗豐富但風(fēng)格不同的資深教授。

Qwen2VL-7B這位導(dǎo)師在指導(dǎo)學(xué)生方面表現(xiàn)出了略微的優(yōu)勢，平均能幫助學(xué)生提升3.5個百分點。它就像是一位嚴(yán)謹(jǐn)細(xì)致的教授，能夠準(zhǔn)確識別學(xué)生的薄弱環(huán)節(jié)，并提供針對性的指導(dǎo)。特別是在文字理解和圖表分析方面，它的指導(dǎo)效果尤為明顯。

InternVL2-8B導(dǎo)師雖然參數(shù)更多，但指導(dǎo)效果略遜一籌，平均提升幅度為3.2個百分點。這并不意味著它能力不足，而是說明在教學(xué)這個特定任務(wù)上，模型的大小并不是唯一的決定因素。就像現(xiàn)實中一樣，最好的研究者不一定是最好的老師，教學(xué)需要的是特定的技能和方法。

更有趣的是，研究團(tuán)隊還嘗試了使用GPT-4o這樣的閉源模型作為導(dǎo)師。結(jié)果顯示，即使無法訪問模型的內(nèi)部結(jié)構(gòu)，MPA依然能夠有效地進(jìn)行知識傳遞。這就像是通過觀察一位大師的外在表現(xiàn)，學(xué)生依然能夠?qū)W到精髓，而不需要了解大師內(nèi)心的思考過程。

這種現(xiàn)象對實際應(yīng)用具有重要意義，因為很多最先進(jìn)的AI模型都是閉源的，普通研究者無法獲得完整的模型參數(shù)。MPA證明了即使在這種限制下，依然可以實現(xiàn)有效的知識傳遞，這為更廣泛的應(yīng)用打開了大門。

五、質(zhì)量控制的精妙機(jī)制

MPA系統(tǒng)最巧妙的地方在于它內(nèi)置的質(zhì)量控制機(jī)制。就像一位經(jīng)驗豐富的編輯，它不僅會生產(chǎn)內(nèi)容，還會嚴(yán)格把關(guān)內(nèi)容的質(zhì)量。這個機(jī)制確保了小模型學(xué)到的都是高質(zhì)量、可靠的知識，而不是錯誤或有偏見的信息。

研究團(tuán)隊進(jìn)行了一項細(xì)致的質(zhì)量評估實驗，邀請三位專業(yè)評估員對500個隨機(jī)樣本進(jìn)行了詳細(xì)分析。他們從四個維度評估了MPA生成內(nèi)容的質(zhì)量：問題是否可以從圖片中得到答案、答案是否正確、問題是否與任務(wù)相關(guān)，以及生成的內(nèi)容是否像人類標(biāo)注的一樣自然。

結(jié)果顯示，經(jīng)過質(zhì)量控制的內(nèi)容在所有維度上都有顯著提升?？苫卮鹦詮?6%提升到92%，答案正確率從68%提升到84%，任務(wù)相關(guān)性從80%提升到92%，人類相似度從58%提升到74%。這些數(shù)字背后反映的是一個嚴(yán)格的質(zhì)量控制體系，確保小模型學(xué)到的都是精華內(nèi)容。

更令人驚喜的是，MPA訓(xùn)練出的小模型不僅在視覺問答任務(wù)上表現(xiàn)出色，還在其他相關(guān)任務(wù)上展現(xiàn)出了意外的能力提升。比如在文字識別任務(wù)中，準(zhǔn)確率提升了4.5個百分點；在圖片描述任務(wù)中，各項指標(biāo)都有顯著改善。這說明MPA傳遞的不僅僅是特定任務(wù)的技能，而是更基礎(chǔ)、更通用的視覺理解能力。

六、與傳統(tǒng)方法的較量

為了證明MPA的優(yōu)越性，研究團(tuán)隊將它與傳統(tǒng)的訓(xùn)練方法進(jìn)行了全面比較。這就像是讓新的教學(xué)方法與傳統(tǒng)的填鴨式教育進(jìn)行PK，結(jié)果證明了創(chuàng)新方法的巨大優(yōu)勢。

傳統(tǒng)的監(jiān)督學(xué)習(xí)方法需要大量人工標(biāo)注的數(shù)據(jù)，就像是需要大量標(biāo)準(zhǔn)答案的傳統(tǒng)考試。研究團(tuán)隊用100個人工標(biāo)注的樣本訓(xùn)練了同樣的小模型，結(jié)果發(fā)現(xiàn)MPA在完全不使用人工標(biāo)注數(shù)據(jù)的情況下，依然能夠取得更好的效果。這就像是一個學(xué)生通過自主學(xué)習(xí)和導(dǎo)師指導(dǎo)，反而比那些死記硬背標(biāo)準(zhǔn)答案的學(xué)生表現(xiàn)更好。

更令人印象深刻的是，MPA只需要使用原始數(shù)據(jù)量的十分之一就能達(dá)到更好的效果。在TextVQA任務(wù)中，傳統(tǒng)方法需要35000個標(biāo)注樣本，而MPA只用了2000個自動生成的高質(zhì)量樣本就取得了更好的成績。這種效率的提升不僅節(jié)省了大量的人力成本，還大大縮短了訓(xùn)練時間。

研究團(tuán)隊還測試了MPA在醫(yī)學(xué)領(lǐng)域的應(yīng)用效果。他們選擇了PathVQA這個醫(yī)學(xué)視覺問答數(shù)據(jù)集，結(jié)果顯示即使在這個高度專業(yè)化的領(lǐng)域，MPA依然能夠幫助小模型提升2.4個百分點。這證明了MPA的通用性，它不僅適用于一般的視覺問答任務(wù)，還能夠遷移到專業(yè)領(lǐng)域。

七、深入剖析知識差距的本質(zhì)

為了更好地理解MPA的工作原理，研究團(tuán)隊深入分析了大模型和小模型之間究竟存在哪些知識差距。他們手工檢查了400個樣本，就像是醫(yī)生仔細(xì)診斷病人的癥狀一樣，試圖找出小模型的具體問題所在。

在文字理解任務(wù)中，小模型主要存在兩類問題。第一類是"淺層文字定位"問題，就像是一個近視眼的人看書，能看到字但定位不準(zhǔn)確。比如當(dāng)問題詢問"書中間那本書下面寫的是什么詞？"時，小模型可能會讀出附近其他位置的文字，而不是問題指定位置的內(nèi)容。第二類是"文字識別錯誤"問題，小模型有時會完全讀錯文字，甚至產(chǎn)生幻覺，看到并不存在的內(nèi)容。

在圖表理解任務(wù)中，小模型的問題更加復(fù)雜。最常見的是"實體對應(yīng)錯誤"，就像是看錯了圖表中的標(biāo)簽，把A公司的數(shù)據(jù)當(dāng)成了B公司的。還有"條件理解錯誤"，無法正確理解復(fù)雜的查詢條件，比如問"哪一年男女學(xué)生人數(shù)差距最??？"時，小模型可能無法準(zhǔn)確找到兩條曲線距離最近的年份。第三類是"趨勢誤讀"，對圖表中數(shù)據(jù)的變化趨勢判斷錯誤。

在常識問答任務(wù)中，小模型的問題主要體現(xiàn)在兩個方面。一是"內(nèi)部知識匱乏"，缺乏必要的背景知識來回答問題。比如看到一種動物的圖片，問它的奔跑速度，小模型可能完全不知道答案。二是"視覺猜測"，基于圖片的表面特征進(jìn)行不準(zhǔn)確的推測，而不是運(yùn)用真正的知識進(jìn)行推理。

通過這種細(xì)致的分析，研究團(tuán)隊不僅驗證了MPA的有效性，還為未來的改進(jìn)指明了方向。每一類錯誤都代表著一個可以進(jìn)一步優(yōu)化的方向，這為后續(xù)研究提供了寶貴的指導(dǎo)。

八、成本效益的驚人優(yōu)勢

從實用性角度來看，MPA的成本效益優(yōu)勢是顯而易見的。研究團(tuán)隊詳細(xì)計算了使用MPA進(jìn)行訓(xùn)練的實際成本，結(jié)果令人印象深刻。

對于開源的大模型，比如Qwen2VL-7B，在配備3塊A6000 GPU的機(jī)器上，為TextVQA任務(wù)生成21000個偽標(biāo)注樣本只需要4-6小時，后續(xù)的質(zhì)量篩選過程再需要2-3小時。整個過程的電力成本和設(shè)備折舊成本加起來不到100美元，這比雇傭人工標(biāo)注員的成本低了幾十倍。

更令人驚喜的是，即使使用昂貴的閉源模型如GPT-4o，通過API調(diào)用完成整個MPA流程的成本也只有大約11美元?？紤]到人工標(biāo)注同樣數(shù)量和質(zhì)量的數(shù)據(jù)可能需要數(shù)千美元，這種成本優(yōu)勢是壓倒性的。

除了直接的經(jīng)濟(jì)成本，MPA還大大縮短了項目周期。傳統(tǒng)的數(shù)據(jù)標(biāo)注過程可能需要幾周甚至幾個月的時間，而MPA可以在幾小時內(nèi)完成整個訓(xùn)練數(shù)據(jù)的準(zhǔn)備工作。這種時間優(yōu)勢在快速變化的AI領(lǐng)域尤為重要，能夠讓研究團(tuán)隊更快地迭代和改進(jìn)模型。

九、技術(shù)創(chuàng)新的深層意義

MPA的技術(shù)創(chuàng)新不僅僅體現(xiàn)在具體的算法設(shè)計上，更重要的是它代表了AI訓(xùn)練范式的一次重要轉(zhuǎn)變。傳統(tǒng)的監(jiān)督學(xué)習(xí)嚴(yán)重依賴于人工標(biāo)注數(shù)據(jù)，這不僅成本高昂，而且在很多領(lǐng)域難以獲得足夠的高質(zhì)量標(biāo)注。MPA證明了通過巧妙的設(shè)計，可以讓AI系統(tǒng)實現(xiàn)自我改進(jìn)和相互學(xué)習(xí)。

這種范式轉(zhuǎn)變的意義遠(yuǎn)超出了技術(shù)本身。它為AI技術(shù)的普及和應(yīng)用開辟了新的道路，特別是在那些標(biāo)注數(shù)據(jù)稀缺的領(lǐng)域。比如在醫(yī)學(xué)影像分析、法律文檔理解、科學(xué)文獻(xiàn)分析等專業(yè)領(lǐng)域，獲得高質(zhì)量的標(biāo)注數(shù)據(jù)往往需要專家的參與，成本極其高昂。MPA提供了一種可能性，讓這些領(lǐng)域也能夠享受到先進(jìn)AI技術(shù)的好處。

從更宏觀的角度來看，MPA體現(xiàn)了AI發(fā)展的一個重要趨勢：從依賴外部監(jiān)督轉(zhuǎn)向內(nèi)在智能的自我提升。這種轉(zhuǎn)變不僅提高了效率，還可能帶來更好的泛化能力。因為通過大模型指導(dǎo)小模型的過程，實際上是在傳遞一種更深層的理解能力，而不僅僅是記憶特定的答案。

十、未來應(yīng)用的廣闊前景

MPA技術(shù)的應(yīng)用前景極其廣闊，幾乎可以擴(kuò)展到所有需要視覺理解和語言交互的領(lǐng)域。在教育領(lǐng)域，可以開發(fā)出更智能的在線學(xué)習(xí)助手，能夠理解學(xué)生提交的圖片作業(yè)并給出詳細(xì)的反饋。在醫(yī)療領(lǐng)域，可以幫助基層醫(yī)生更好地分析醫(yī)學(xué)影像，提高診斷準(zhǔn)確率。

在商業(yè)應(yīng)用方面，MPA可以大大降低開發(fā)定制化AI助手的成本。比如電商平臺可以快速訓(xùn)練出能夠理解商品圖片并回答客戶問題的AI客服；制造業(yè)可以開發(fā)出能夠識別設(shè)備故障并提供維修建議的智能系統(tǒng)；農(nóng)業(yè)領(lǐng)域可以創(chuàng)建能夠分析作物生長狀況并給出種植建議的AI顧問。

更重要的是，MPA為資源有限的組織和個人提供了接觸先進(jìn)AI技術(shù)的機(jī)會。以前，只有大型科技公司才能負(fù)擔(dān)得起訓(xùn)練高性能AI模型的成本，現(xiàn)在中小企業(yè)甚至個人開發(fā)者也可以利用MPA技術(shù)，用相對較小的成本開發(fā)出性能優(yōu)秀的AI應(yīng)用。

研究團(tuán)隊已經(jīng)公開了MPA的代碼，這意味著全世界的研究者和開發(fā)者都可以在此基礎(chǔ)上進(jìn)行創(chuàng)新和改進(jìn)。這種開放的態(tài)度將加速技術(shù)的傳播和應(yīng)用，可能會催生出我們現(xiàn)在還無法想象的創(chuàng)新應(yīng)用。

說到底，這項研究最令人興奮的地方不僅在于它解決了一個具體的技術(shù)問題，更在于它展示了AI技術(shù)發(fā)展的一種新可能性。通過讓大模型和小模型相互學(xué)習(xí)、相互促進(jìn)，我們看到了一個更加高效、更加可持續(xù)的AI發(fā)展路徑。這種路徑不依賴于無限制的資源投入，而是通過巧妙的設(shè)計實現(xiàn)智能的傳遞和放大。

對于普通人來說，MPA技術(shù)的成熟意味著我們將能夠以更低的成本享受到更智能的AI服務(wù)。無論是在工作中需要處理復(fù)雜的視覺信息，還是在生活中希望得到智能助手的幫助，這種技術(shù)都將讓AI變得更加普及和實用。而對于整個AI領(lǐng)域來說，MPA代表的這種訓(xùn)練范式可能會成為未來AI發(fā)展的重要方向，推動整個行業(yè)向著更加高效、更加可持續(xù)的方向發(fā)展。

Q&A

Q1：MPA模型對等對齊器是什么？它是如何工作的？

A：MPA是印度理工學(xué)院開發(fā)的一種AI訓(xùn)練方法，就像讓小學(xué)生通過觀察大學(xué)教授的解題過程來快速提升能力。它分三步工作：首先讓大模型看圖出題并給答案，然后找出小模型答錯而大模型答對的題目，最后專門用這些題目訓(xùn)練小模型。整個過程不需要人工標(biāo)注數(shù)據(jù)，卻能讓小模型的表現(xiàn)大幅提升。

Q2：MPA訓(xùn)練出的小模型效果到底有多好？

A：效果相當(dāng)驚人。比如一個20億參數(shù)的小模型在圖表理解任務(wù)中準(zhǔn)確率從12%提升到27.2%，相當(dāng)于從不及格直接躍升到良好水平。在文字理解任務(wù)中，準(zhǔn)確率普遍提升4-6個百分點。最重要的是，這些提升是在完全不使用人工標(biāo)注數(shù)據(jù)的情況下實現(xiàn)的，成本只有傳統(tǒng)方法的幾十分之一。

Q3：普通人什么時候能用上MPA技術(shù)？成本高嗎？

A：研究團(tuán)隊已經(jīng)公開了代碼，開發(fā)者現(xiàn)在就可以使用。對于普通企業(yè)，用MPA訓(xùn)練一個定制AI助手的成本只需要幾十到幾百美元，比傳統(tǒng)方法便宜幾十倍。預(yù)計未來1-2年內(nèi)，基于MPA技術(shù)的各種AI應(yīng)用會大量涌現(xiàn)，讓普通人以很低的成本享受到高質(zhì)量的AI服務(wù)。