（来源：上观新闻）
PANDA 使用⭐🇦🇩8块 NVI🚩🇸🇯DIA3️⃣泛二级域名 V100 3😤💮2GB 显🌲卡训练，批🌐😁次大小为6，🇵🇷总训练时间约1.👍🎼5天，使用🏉🚑 AdamW 🇲🇷优化器，👩❤️👩🌴学习率🇦🇴1e-4，权🇺🇬重衰减0.0👷🐭1，共训练30轮🎅。TPU 🛁8i采用了静态🗨🧪随机存储器🏍（SRA🎗M），皮📷查伊表示，该🐅🇿🇲架构旨在🥳“以具成本🐹效益的方式提供大👨👧👦规模吞吐量和低🌜🇼🇫延迟，从而能🐔够同时运行数百万🙇♀️👱个智能🎡🔄体”🇧🇦。因为压缩注意🇧🇱🚽力保证严格👩🔬因果性，一个qu👨👨👦ery to👱♀️ken看不到自💺🤽♀️己压缩块内其他t🍞oken的0️⃣信息👩✈️🇲🇼。研究人员通常🤧🇪🇷有两种选择：要🐠🕕么给AI🌮🌩看大量来🐐自各种场景的训♣🦅练数据🍿，希望它能从中"🤑✨悟"出🖊🅾各种技能；要么直🙁☪接在目标场🚒景里训练A💚🤾♀️I，让🍍⚪它从最终的成🥽🍶功或失败中🇨🇳学习🕞。
VLA（Vis🎅ion-🔕Languag🇱🇨⏩e-A🦙ction）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”💇♂️😂。更重要🕎的是，他们🍽🇲🇷通过大规模实验🇱🇻泛二级域名揭示了🇮🇳当前最⚽先进的多模态🇬🇾🖕大语言🎒🈳模型在区域级质🤬量理解上的系统🌧👨🍳性短板——即使9️⃣是 Gemi☹🕠ni 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🐿👨👨👧。在实际测试中‼⏫，研究⛵团队独立🚼运行了1➖👌0次能💮力分析，"🤷♂️🏌结构化数据推理🔨🥊"、"多步➖骤任务完🎧成"和"前提😍📳条件验证🏑"三种😀🤱能力每次都被🏕😼稳定识别🈁，"工具调用精🇳🇵🍃确性"在1🎫🇫🇯0次中被🇿🇲🇦🇪识别到8🐞🖇次🥊🇵🇸。
