（来源：上观新闻）
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AI，让👨👦👦😣它从最终的成功👇🌅或失败中学习🖤😁。一个很简单但很⛅🚼实用的 C🌓🥂ase🔖🈵。混合注意🍪🇨🇬力机制 这😪是全篇🧲👨👨👧论文最🦹♂️厚的一块🕴🇧🇳，也是「百🇬🇲万token🇰🇼效率」的核心魔⚓法所在9️⃣🇨🇿。国内这边🍎🇲🇷 Ki🦈◾mi 发了 K🍨2.6，腾🇹🇳讯据说也要发一个💝💰模型，这是姚🥿▶顺雨加入之🥤😓后的第🐯🐸一个里程碑版本，🇷🇴🦔然后 D🌵🇻🇳eep📰🇱🇧Seek 💢V4 大概率也🇸🇧会来🇲🇸🦑。
结果显示👒，4层是一🐰🇪🇪个甜蜜点——既足🇯🇴🥌够深以捕捉复🕤杂的跨图像🚧区域对应🤽♂️🍅关系，又不🦴会因层〽数过多而导致过拟🏜🦹♀️合或训练困难♍🕓。评分维度包括🇧🇿⛄代码质量、能否📲👩🚒成功运📽行，以🚙🥳及结果与论文的吻🎵⛱合程度✍。而具身智能或许会🍥让我们意识到—🤱🎙—真实的🥽陪伴与物理上🇧🇹⚓的分担，从此不再🕡👩👩👦只依赖人类自身🇱🇺🇨🇴。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（G⏺🉐RPO on 🇧🇶🐘Target🇻🇳）能达到👨🏭🌶37.8%，⏲🇲🇸一种使用通用🥊🕉合成环境训练🙈的方法（AW📋M）能🤞达到3🦸♀️8.4%，而🏴🇮🇲一种通过优化🛳📲系统提🇧🇼🧠示词来植🍖入能力描述的方法🇲🇳（GE🤪🧒PA）能达到39🇨🇬🎚.6%👨🦲🏇。
