（来源：上观新闻）
对于那些没有👩🚀🕘标准答👿案的开🖍🤖放性任🚲👩🦲务，比如"帮🧘♂️🆚我写一🔁👯♂️首感情细腻的诗🕐"，这个框架🍳就无从评🚙判，需🛀要另辟蹊径↖。VLA（Vi🔢sion-🇦🇮Languag🍎👨👦e-Acti😌🦶on）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”🌬。”他写道🇵🇳💏。另一些投🇦🇺资者则站在马🧂斯克一边👌🗃。技术判断上，m🙍🇮🇪HC不是那↕🍀种让人眼前一⛎🔙亮的架构🐷🏊♀️创新，更🛹🇬🇺像是一个「稳得住🚳大模型」的工🔭程补丁🚎🗜。第二个局限来自数🌉据集的构建方式✔。因为物理规律在👩🏫🇧🇭不同环境中😫是一致的🧡，WAL🔣L-B进入任何一🎦🧝♂️个从未去过的家📌🗃庭，都能利用对🆎🎚物理常识🇬🇳🎈的理解来应◾对新场景，不🐘⤵需要重新训练🐩🤦♀️。
第三，采🕋🚾用Muon作🎣为主优化❎器👨🚀。更重要的🚴是，他们通过大规👩🦱🥣模实验揭示了当⬇🥉前最先进的多模🗒态大语言模🌔型在区域👨🚒📀级质量理🍅🚴♀️解上的系统性🇧🇦⚒短板——即🇲🇳使是 Gemin🌇➕i 2.5 P😍🎨ro 👨🔧🐏这样的顶📕🌶尖商业模型，在这🥂👡类任务🆕🤴上的表现🚈也接近随机✳👩👧👦猜测的水平🐴😔。一个训练了两个万🚔亿参数Mo🔷E的团队公开承😑🌃认「我们不知道为🇼🇸🇲🇬什么这两🇨🇴🌯个trick管用🏹🥥」，在202🛏🕥6年已经是一件📚🚔挺稀罕的事🍻。这种从图纸到大🌄批量稳定交♠付的工程化🇴🇲⌨能力，是纯算法或🗯🇨🇩高校团队难🐼以短期复🏨🇰🇼制的☝👩🏫。
