（来源：上观新闻）
默认配📝置使用 DINO🇹🇻🎦v2（小型版本，🚓ViT-s，3📑84维特征），🌲🕎研究团队还测试了🇱🇾 DIN🍻Ov2（基础🧀↖版本，🕣ViT-b，76🐞8维特征💪）和 SigL☮👨👨👧👧IP（76🇭🇹🌽8维）的效⏫果👯♂️。VLA🇲🇳（Visi🐖on-L🙋♂️anguage-🎨🏯Action）🍁👠架构是目前具身智🔁能领域的主流方🚠🧑案，其结构💹😥清晰：视觉模块负⛄✍责“看”，语言🎆👨👩👧👦模块负责“理🐒解”，动作模块🚰🤞负责“做”🏄。
**一、问🦉🙋题的根源：AI👩🚀🔘评图为何总是🥂"差那么一🇨🇴🍴口气"*🎖* 在深入🦡了解这项研究的🕌解决方案之💭🔠前，有必要🇸🇳先弄清楚问题究🌋竟出在哪里🐶。上周 Anthr🇦🇹🐂opic🐭🇧🇹 发了 🦹♀️👁️🗨️Opus 4🕑.7，这周 O🤕penAI🎺1️⃣ 上了🇷🇼💀 GP⏮T I🏄mag📰🈯e 2👩🍳🈸。第一个局限是🆎 PAN⛳DA 作为基👮♀️🇱🇻线模型的👩🍳简洁性👨🍳。Suresh 🏔➗Kris💄🇵🇱hna 对此表🚃示赞同，🎆🦷并补充说，随着智💁♂️🇹🇴能体系统处理更🍟🚒复杂的设计，👮🎩Design🍦🏄 Con🕍📢duct🔟or 的蛮力方👄🧐法可能会变☸得效率低下💆♂️。
