（来源：上观新闻）
知识类和最前沿⤴的推理任🤼♂️务仍有3-6🇸🇩🇬🇭个月的🇫🇮🎐gap🇦🇩🇫🇲。因为羽毛😕球天然需🦡要一个对手，你🇨🇲🇳🇷不可能一🇹🇭个人一直对🛶着空气挥拍🖇🍭。当全球☠🧨具身智能赛道还🦅在比拼谁能🇮🇷做出更稳定的👨🔬双足、更👩🎨🥞灵活的灵🏇巧手时㊗，自变量机🧓🚌器人又🇲🇱👷♀️在通用具身🌽智能大模型领域向📮前推进了📽一大步🐒🇱🇻。而WA📮LL-B所采🤬🔣用的世界👨🎓统一模🧨型（WUM🎐🗾），则🇨🇫是一次彻底🤘的重构🧨。它带来🥽🕋了两个直接后📚果：对于答对🇰🇳的推理链🐤，打分👩🚀😃员在接近结🦕尾时才🛁👌给出高分，导🎒致AI🇬🇶的整个🛸推理过程几乎🌤🇱🇻收不到🐖👩👧👦任何有效的激励信🇸🇪🧟♀️号；对于🚴♀️答错的🏰推理链，打分💀员在中间过程中🅿也没有给出足够的🚗✖惩罚，无法让AI🧵知道哪里出了🇲🇴🇧🇳问题🇧🇼。
” 这种📗🍿“先想后🚱画”的机制，不💆仅解决了文😱🐖字渲染、逻🐑辑混乱等🥄🥊长期痛点，更重🇫🇯要的是让🍍 AI 👪第一次拥有了🕶“设计意图🌃💽”——模型会主动👧问自己：这🍶张图要传🇺🇿🇨🇬递什么信息？↕观众第一眼看到什🇱🇺🇲🇰么？数据是否清🎬晰？ 提示词： ☑生成四格漫🇵🇹🙌画，主角是一只叫🎋☣‘阿橘’的橘猫，🇨🇵🛋主题是‘⏹❇AI 帮助人🏏🧾类画图的故😘🤝事’⏯。在几个🧸🇨🇺对比方法中，直接🤷♂️👨🔧在目标环境里用强🙇♀️🇬🇷化学习训练的模型☃（GRP⛴🌈O on ↪Target）能🎐达到37.8👨🔬%，一种😺🤙使用通用合成💚环境训练的方法🕵️♀️（AWM）能达😍到38📆🛀.4%，而一👒种通过优🍠♌化系统提示词来植👁🔭入能力描🐙👇述的方法（G💜®EPA）能达🐎到39.♒🏌6%📒。这种从图纸🌕🇳🇨到大批量稳定📑交付的工程化能力🏍🇧🇸，是纯算法或🧙♀️🇧🇧高校团队难以🇺🇾🍿短期复制的🤰🕸。
