（来源：上观新闻）
总之，多 🇳🇪Agent 是🇳🇵⏮一条必要的路径🤐🐆。研究团队首先🥛🏌️♀️从两个现有的公开🕗数据集中筛选出2🇮🇹⚔200张高质量图🙎♂️🇸🇩片：其中🌔1592👨张来自🥙⛺ PSG 数据集📩💄（一个包含场景🔀🐴信息和区域级全👆🇩🇴景分割的🐥↔数据集）🏘🌙，另外6🧤08张🇨🇳💿来自 🇹🇳🕤Seagu🙍ll-100🇦🇽👷w（一个包含真👔实ISP图像🏠退化效果的🧚♂️数据集）😊👘。你可以把🔉它理解成🧙♂️一种"步步打分"🔛的训练机制👎。用不好的人给的🐎🦒反馈没有价值🥡⛎，如果他们直🗞🙆♂️接用H🎹🇼🇫erm👯🏇es，会让🌳这匹马‘越学🌮越差’🍚。默认配🃏👩👩👦置使用 D⚓INOv2（小型🕝版本，ViT💶-s，384维特↙🇷🇴征），研🇬🇬☝究团队还🖨🇫🇮测试了 DIN🍵Ov2🌊🕔引百度蜘蛛（基础版本，Vi🌼T-b，768🏓🦃维特征）和 S🔆igLIP（🚈768维🚻）的效果👨🦲🔗。
复杂任务💸🌩天然就适合这种结😹🌋构🚤。这些操作让马斯克🎱💗本人及旗下其🇵🇼🇬🇫他企业获益程度之🔊引百度蜘蛛高，即便在信📥息不透明的未上市💡公司世界里🇪🇷🔽也属罕见♎👌。VLA（🇪🇸Vision-L🚶♀️🐒anguage📕⏏-Ac⛔🕑tion）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”🏃。它可以同时召唤🐵🏬多个子代理并🎫🇨🇫行处理不同🚥维度，再汇总成完🇸🇻🔧整的分析🔀✈文件，供后续所🇧🇸有代理参考♑🆔。🧩 👀多方案并行 ⤵📒+ 角色一致性🇱🇻 — 一次最🗼多生成 8 ⚙🐌张图，且📳保持人物/物品👩🦲跨图一致性💴™。
