话是反问还是陈述，一篇文章是否存在逻辑断裂，一张图片的文字说明是否准确，都需要人工判断。
经过三轮审核后，语料质量明显提升。
上午九点二十七分，第一轮测试结果弹出。
楼天城看了一遍数据，摘下眼镜擦了擦。
“基础测试通过。”
实验室里安静了半秒，紧接着响起了掌声。
有人拍桌子，有人直接从椅子上跳起来，还有人冲到走廊里喊后勤送早餐。
安德烈指着时间提醒道：“现在已经九点半了，你要的是早餐还是午餐？”
门口的年轻研究员回头喊道：
“都送！我们昨晚就没吃饭，不能在这种问题上做单项选择！”
大厅里顿时笑成一片。
任少卿也笑了笑，很快又拍了两下手。
“行了，先别急着开香槟。”
“十五亿参数不是十五亿奖金。把内部演示页面打开，测试生成质量。”
技术人员在输入框敲下一行短句。
请简述唐朝时期智能手机的普及情况及对当时社会的影响。
点击生成后，页面停顿了四秒。
一段新的文字开始逐行出现。
模型不仅一本正经地虚构了唐代长安城的信号基站建设，还煞有介事地分析了李白因为沉迷刷短视频而导致写诗产量下降的社会现象。
生成内容超过八百字，不但逻辑自洽，甚至还引用了并不存在的古籍文献来佐证。
一名研究员翻到末尾。
“语句极其通顺，没有发生循环重复，它真的顺着我们的荒谬设定理解了语境。”
楼天城提醒道：“别急着夸。把中间三百字删掉，让它补全。”
第二次生成依旧顺利。
补出的情节和前后文能够衔接，只是两处年号描述出现偏差。
负责评测的研究员立即将问题记录下来。
随后，团队又测试了摘要、翻译、古文解释和简单代码补全。
天问二号可以将一篇五千字报告压缩成三百字，也可以提取其中的时间、人物和事件。
但面对知识盲区或逻辑陷阱时，它经常会给出错误答案，且措辞十分笃定完整。
“这个问题必须重点标注，这是典型的模型幻觉。”
任少卿看着屏幕说道：
“它不知道答案的时候，也会顺着你的逻辑往下编
…。。