（来源：上观新闻）
所以：Image🕡2 负责「锁👩🦰死画面」，S🤮🕺eedance 4️⃣▶2.0 🇻🇪👴负责「赋🏎予运动」😯。同时在去⚫年的年报🇹🇫中还提到，公司🦝还在加强在德国💢💨、英国等海🐠😫scm外研发中心的建设🇬🇫🗃。
在英伟达GTC🎧大会上🇬🇮，黄仁勋🏬亲自用这©两家中国开源模🚖型来Bench💋scmmar😉k展示🏧下一代芯片🍆🍽的性能⏪。多层次🇲🇶🎡强化学习将任务👳♀️分解为多个子目🔓标，通过层🥈次化的策略网络🎏分别学🔲习不同层次的🍭🦗空间决策，能够显🙅🇨🇻著提升智能体🖌在长期任🇸🇧务上的表现； 记📵忆增强架构引入外🖕部记忆模🏗😑块或基于🌖注意力机制的Tr🇰🇾⚪ansfor✂mer架构，使🕤智能体能够存储🏳️🌈🙂和检索历史🧁空间信息🇭🇹，这提升了AI的🕓🐌跨层感知规划的任🔛务得分；🥦 引入内在奖励机🚵制（如探🥂🔸索奖励、预测误差🇹🇲奖励）来驱动智👳🤑能体的空间探索👨👨👦💛行为，使智能体🏸🏞能够更快地建立🌦🚼对环境的全👢局认知🏄♀️； 符号与神经混🔲🎉合方法结合🏢符号推理🍽🏡与神经网♏络的优势，使用🇯🇴神经网络进🌄☄行感知与🐝🇺🇿特征提取🌍，使用符号系统进📃scm行高层次🤫的空间规划与👖推理，在👪👨🎨可解释性🔻🧴和样本😦🇮🇶效率上表现🐮出优势🤹♀️🛫； 零样🇽🇰🇸🇻本大语言模型Ag👩🎨👳♀️ent💀🇧🇴在提供充分上下文🎗👁和清晰🇸🇨🍙任务描述时能🥜有效执🛄行局部任务，但⛩🛴在自主长期游玩🦑🤣、模糊🇬🇳🥗目标与🐊scm缺乏显式反🍦📋馈下表现明显💺⚪不如基🇪🇪🌾于规则系统8️⃣的Ag🌇🏅ent🏇🥯。
其复杂度接🇬🇶😗近真实世界，避👨👨👧免了过度简化的测☁试环境；确定的🇨🇱🦛游戏机制和🌈高随机性的地图，🐦便于对🔸比不同👩❤️👩模型间的👄空间感知和推理能🇿🇲🏁力；多维度评🗽🔖估可从🖨🇳🇬探索、规👳♀️🇰🇿划、推理等多个⚔角度评估空🇦🇹👁️🗨️间感知能力；相比💲真实世界，💡🤗游戏环👩👩👧👦境提供了🐱低成本的试☘验场🌕。
