（来源：上观新闻）
在标准🇻🇮具身智能机器人🍍领域，相较于🏭🙅侧重通用性🔓👢研发的企🇧🇧💜业，公🏃♀️💂♀️司的核心优势在🚓🚵于“全🐒栈自研带来的性🐞能优化和成本🇪🇸控制能力”😮🎒。研究团队做了一🛷🇧🇲个生动的实验，把🥇💸同样两张图📄🌮片同时喂给当时🦃🥁最先进的多模😓态语言模🏚型 C👏o-Instr🅰uct，并提供了🔴每个区域的名称📑、描述和边界框✖🛁坐标，请它回答➡每个区域的质量情🏊♀️🉐况🧘♀️。没进V4🕘，但在未🙆🇪🇺来方向里被🐜点名，留给V🔮5📩🏞。
这组数据背后的逻🥖👩👩👧👦辑是：当训练场🧡↕景与目标场景完🇬🇱全一致（即直🇲🇦👏接在目标场景🗽上做GRPO🈸♟️）时，模型很🎽🇫🇮容易陷入过拟合或✨🇱🇺训练不💙稳定的状态🖨🏃——它学到的🇱🇨可能是特定题🗡😭目的答🐢🍹案，而非通用的能👩🌾力；而TRACE🤠的练习场🏡🇹🇦景经过专门设计，🇬🇸每道题💣🇱🇺都由随机种子程🇶🇦🐶序生成，变化无🐞穷，AI🇨🇫✅练的是"能🎏➕力本身"而非🍘🎇"特定题目"，因🔪⏱此能够随着训🕒练轮次的🍽增加持续稳步提🐚升🔥。
一个是"对比💊⛸差距"：某种🔡能力在失🦘败案例中🐎🚿缺失的比例，减去🛤🚴♀️它在成功🔵🔔案例中缺失的比例🦅🕶。它用系统化的方式🍿👳♀️解决了一🧗♀️🇨🇵个长期困扰AI🤱训练领域的难题：🔜🏇怎么让一👱📗个已经"基本‼合格"的AI，🙂在特定🐪🇦🇱场景中变得🔦真正可靠📢📺。。结果相当值得关👨👦👦注：在第一个基🤽♀️🇧🇪准Pa🌊🛡perBenc🦸♀️💉h上，AI科👨🎓🔲学家的平☢🇧🇾均得分比此前最👨⚕️📹强的AI基线系统👨🏫高出10.😂54分；在第🇸🇰🇨🇺二个基准M🇧🇦LE-Bench🇧🇻 Lite上，🇬🇺它以81.82%💙的"获奖率🚗"超越了所有🦝有记录的对比系统🇲🇰，其中包😡🥑括多个已公开发布🧷的知名🇲🇷🎙商业和研🐵🏴究机构系🙇♀️统🖖🌬。
