（来源：上观新闻）
不是造一🥭♒个更强的机器人🌗，而是☪👨🦲给机器人一个真正⚙🤒能理解世界的大脑💈👨❤️💋👨。混合注意😨力机制🌱 这是全篇论文最➰厚的一块，也是🇵🇷「百万tok👩👧👦🍗en效率」👖☃的核心魔法🔣🔍所在🌔🚶。在几个🔰对比方法中，直◻接在目标环境里🧨🔩用强化学习🇻🇪🌖训练的模型（GR🕦🇬🇶PO on Ta💁♂️🦏rget🍟）能达到37⛵⏰.8%，一种使🥾🇮🇴用通用合成环〰境训练的方法（🧽AWM）能💨达到38.👨❤️💋👨4%，而一种通过🇱🇮✊优化系统提示🐓🇳🇦词来植入能力描述🚵的方法🇨🇼❌（GEPA）📒能达到🔍39.6%🤖👱。每m个toke💂🍀n的KV🛃 en🐡tri🥀🈵es，通过一个🚿⏱带学习权🇵🇳👩👧👦重的atte🇨🇩ntion-l®ike👄机制压⚛🎲成一个🛁🇴🇲。
AI助手先🦁在目标场🇱🇺🚑景中实👷♀️际工作一🏏🧔轮，积累一🥓批成功和🔠🇭🇷失败的🇻🇺任务记录😯🚣♀️。前三个头🚼👩🦰使用交叉🕎熵损失函数🦵（适合分类任务）⏳，第四个头使用L🥺🥟1损失函🔉数（适合数值回归⛔任务）🤬🇵🇳。传统扩散模型🛩仅关注像素分布，😊而新模型在🇦🇬 Tra❤nsforme🙍♂️🦟r 的 ba🔗ckbone 之💌🥒上集成😞了推理链（Cha🥏in-😖of-Thou🎢💢ght fo😚r V🧱🌽ision）🇲🇵🕵。借鉴O🇰🇷🏊penAI和🎿Strea🇹🇻🐶mingLLM的👨👦👦♨trick🍎，在attent⛲🌙ion分⛰🇫🇲母上加一个l🇩🇯🕘earnab🦖🇸🇭le sin🔷k logit，🥓允许at↘tention🇭🇲 score总🥑和不等于1🇸🇭🙃。
