（来源：上观新闻）
VLA（Visi🏐on-Langu⚡age-🐒Action）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”🌘。“爱奇艺穷😃疯了也得有底线”🍐🕸“AI艺人库自🙀♋掘坟墓🥴🏀”等词条引爆热🍓🧓搜，网🇵🇸🎃友们怒气值拉🦂🦘满，喊☕🇧🇶话爱奇🇨🇿🇦🇬艺：“以后观众也🐓🥖找AI吧🇮🇱⛷。构建由📨人工标注的🐂🇰🇳区域级比🔹较标签数据集，🌙👩👩👧将是一项巨大但✳🤸♀️有价值的工🌓程🇰🇵。举个最小的例子🇾🇪🍼。对计算机📄视觉或图像质🛁量评估感兴趣的读🔽💚者，可💢🇰🇾以通过上述编🎌号在 🔍🍛arXiv 🎖平台查阅☯🎪完整论🇻🇨🙈文🇲🇱。
但 GPT🇼🇫🙏-Imag📿🛒e-2 引🕷入了 思考模式🇱🇻🏚（Think🕣ing Mo😦☦de）：生🆔成前先联网搜索🇳🇨、分析上传文🧺🥬件、规划图像布局🙈，生成🔕🤾♂️后再自我复核🇷🇼🍧。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🇦🇩🗳。这里，"🇧🇸🏠薄控制🦑"说的就是你这个➰🖕总监——他对每🈲💒件事只需↩要了解概要，💌不需要把所有细节🚦装进自己脑子里📘。尤其值得关注的是🧟♂️一个有趣的对比👳♀️：仅仅针对🎍单一能力训练一个😡插件，就能达到🔘40.3%的通👕过率，已经超过了😱AWM和ADP等🧰⛲使用大量通用📃🌑训练数据的🔓🚔方法🕤。如果Sol🇧🇧🇱🇮arCity🈷🇨🇩破产，Space😖X的投资可能🔃血本无🥌归🇵🇰🇦🇿。
