（来源：上观新闻）
VLA🚆🦵（Vi🚰💔sion-L🇻🇦🔴angu🇮🇸age-🍌😯Act♿ion）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🤷♂️9️⃣负责“做”🛃🏯。（1）架构推🏰理 基😿础模型需要额外🇲🇲🐉帮助的领域🦘之一是像架构师一🏜👖样进行👺推理🐧。
为了补偿近🇮🇹距离依赖，V4©👨💻额外加了一个🕶🇹🇴slidin🚜g wind🆖🇫🇯ow分支，每个q🇲🇨🐔uery🇨🇦除了看压缩K⛵V之外，还能看最🥥近128个tok🍥🇲🇵en的unc🎿ompre🧂ssed💌☄ KV🏘☸。它不再只是某⏰🤹♂️个同事自己🦖🏫的事情，很多时候🏄🇩🇿需要在公🔠✡司层面🎂做协同🇨🇺🇮🇱。
更重要🇸🇱的是，他🇿🇼们通过大🇳🇨规模实验揭示了当🐊⏪前最先进的🦍互站源码交易平台多模态大语言模👳♀️🆚型在区域级⁉质量理解上的🎙🇨🇼系统性短板——🇬🇪📷即使是 🎨Gemini 2🥇🈴.5 🍼🏺Pro 这样🦄的顶尖商业模型，🇮🇩在这类任务上的表🏘🍏现也接🥉🏴☠️近随机猜测的水平✊。
