（来源：上观新闻）
当模型学会在落🇮🇹笔之前检索信息👨🦳、规划层次、自🥒我校验，它就不🇳🇪再只是一支更快🇮🇲的画笔，而是一个🚹能协作、👓🏞能思考的视觉伙💧伴🆗🍘。更致命的是，VL🤷♂️🍗A只能“模仿”🎷🐕训练数🛑据中的轨迹，它💉⏮不理解杯子为🇨🇳📓什么会🤨掉，也不理👨👨👧解为什🇸🇱么盘子悬在桌边🔛📴需要推回去👩⚕️🔢。
数学、代码、agent、指令跟随🖖5️⃣四个领☁↩域，各🤬自独立训一个🥽expert🏧🇹🇯。”只要一做🥉🎽大表情，AI演🧴员就会♑僵住，不仅出戏🔳🇨🇺，还很🐿诡异🤶🔘。第二种🥊😘方法叫多能力GR🙅PO，在所🤣有能力的练😊🇵🇹习场景里同💙时训练🇸🇱一个统一插件，达😉到40.9⚱%，略高于🎰👨👦单一插⁉件但远低于😘TRACE的4🎌😜7.0%📔🇰🇪。
