（来源：上观新闻）
据研究团队回忆👅🍾，这项研🇲🇨究中最🎵🗓大的挑战在于，在👨🔬🤼♂️实验室9️⃣中“手搓💃👨👦👦”的单个器件😘🇹🇩可能很快就能工作🐻运行，但要做 1🇲🇭⛄0×1🇦🇼0 的器✴件阵列，需要5️⃣🇩🇰保障每个像素稳定🇲🇬🔜、性能🥚均一，🇹🇿7️⃣而且还能单独控⛑🔂制🔖🕎。这是因为人和 A🥥🌉I “🇲🇸看到”的难👢度根本不是🇵🇭🥛一回事🐛💒： 人类看的是：🌱逻辑复杂度、算法🚖难度、业🥢🥛务理解🏍🇵🇫门槛 🇳🇫🍧Age🇦🇼nt ⚔看的是💣：项目🤩有多大、要读多少👊💆文件、探索路径📕🇯🇪有多长、会不会反🇸🇭复修改同一个⚒文件 一🧟♀️👨👨👧个人类👩🦰🐠专家觉得“改一🔳🍺行就行”的 B🌧ug，A🍟🚖gent 可能要🐲🍙先读懂整个代码库🥞🕖的结构才能定位🇻🇨到那一行⏳——光是“🇵🇭读”就要烧掉大🍇🧥量 To🥙ken🇵🇱。
结果同样在三个🔭基准上🕜都有提升——🔻🏋Calvin从🥕🇭🇳3.20🇲🇲❕5到3.⏰😄584😒😏，Simpl🌈erE🎊nv从➿🚑38.5🔅📴%到45.8%，🎲📳LIBE🚟RO从33🏑.8%到40🤮🏛.2%⏏。这个结果❔🐛表明，中间🏩训练对VL🤠M的原有能力并非🕊💂无损保留，而是🦙😽带来了一种🗃有选择性的调整🍼：它强化😯🦏了与机器🌯🙄人任务相关的能力🤔⚙（如三维空🎲间推理）😳🛐，同时对🔥某些更偏⚔🛶向通用感🍞🦡知或特🙅♂️🐾定类型空间🚏理解的能力有所👨👩👦👦🍒削弱🤼♀️。相关方案细节目🛏前还在测试阶段，🧟♀️正式上线时🇧🇳会通过🥌官方渠道🏀发布完整⏏♉信息☎。
这种方法☣❄在Calvi🏴n上得分🇭🇺🇰🇷3.126，S✒implerEn🎛👨🔬seo sem分别是什么意思v 53.1%💯✨，LIBE😅🧽RO 51.2🧖♂️%——比随机选🇲🇷🇿🇦择有所提升，但整🕛体不如🇸🇪🚋学习得🧱🤲到的估计器稳🎧🇯🇵定🏢。过去两年，AI🥴 行业⚾🇲🇷对「更强🚮的智能」的💹🇷🇸定义，几🇭🇹📮乎总是🙆🦍指向同一个方向↖——更📯🇧🇫大的模型、🚱更长的上下文、💱3️⃣更快的推理、7×👚24 小时不🦚间断运🥢行💉🇩🇿。
