（来源：上观新闻）
考虑这样一个场景🇨🇰：在一个🚶⚖紧张的😏口语考试现场，🗻🛰有一位极其聪明☘👱♀️的学生⛈。Goo👟❓蜘蛛gle 说✍，AI O😇verv👩❤️👩iew 因为结合😿了搜索引😩🚩擎的信息，🦕⛹比 Gemini😚🎼 单独运行更准确😆。AI 闹：所🇵🇳以 Elser👨.AI 从一开🤮始就瞄🇨🇼准了海外🧻🇹🇯？ 刘耕：对🦕🦜。VLM常用的☄训练数据，包括大💳🐎规模图文匹配👳数据（如📡🚐LAION-46️⃣✏00M、CC-🚑🍂12M）、视觉🈚🕎问答数据（🌯如LLa🌧VA-Instr🎹👳uct-🔌🦘665🇧🇳🇧🇸蜘蛛k）、视觉常识🎋📼推理数据（V🍛CR）等，🇹🇻🕦它们彼此👎之间的🆘👘距离普遍较小，🚰属于同一个大🛒家庭🛸♐。
但这 14%🇧🇬🏊♀️的人，产出了🇸🇭🥾最好的设计👩💻蜘蛛。比如当被问到哪🌜条河流⛄🇸🇿在北卡罗来纳州戈🍇尔兹伯勒市🥡的西侧时，🎗AI O🕵️♀️verview 😅💠回答说是尼🛀斯河（Neus👩🍳e Rive🕶r）🎑🐥。第一种替代方案🇦🇨是随机选择：从候🤾♂️选数据池里随机🇧🇯抽取相同数量的🐺样本做中间训🔤💐练，不做任何基于🚮内容的筛选🇮🇴。当研究人员限🚌制模型只🏭能生成极🏞其简短的内部🥖🚁思考时，它的性能🏳️🌈😱提升相对有🇸🇦限；而一🇧🇴旦放开限🇸🇩👨💻制，让模型🤸♂️👨💼在给出最↩🗑终答案前进行🍒足够长篇幅🥡的深度反思，它🤷♂️🇹🇫在各项复😺杂推理任务上的正🇲🇬确率就🥄🇬🇮会像攀登⏰🏌️♀️阶梯一样稳步上🌓🍹涨🎿🧠。
具身智能🍣赛道走向平台🏁化、后🈹❗蜘蛛市场化的浪🇵🇬🎽潮已是不可阻挡8️⃣🐙的历史必然🇷🇪。结果显示🏖，在P🇳🇨OPE😧（物体幻觉评估）🍚🎼蜘蛛上几乎🇺🇬没有变化（86.🆒33 🇷🇪🧔vs 86.🚖👨👩👦👦29），在Vi⚜suLogi📙c（视觉🕘⛔逻辑推理）和3D🚏🇨🇫SRBench（🌗🇵🇾三维空间推理）🇬🇳🏴上略有🛥🔦提升（21.00👨👨👧🌿→24.90和🍂47.8🌆7→49.🦢51），而在B🎙🏐LINK（多模态🤭🎎感知基准）🔊🛰和Spa👩👩👧👦🌘tia🇨🇩lEval🆗（空间推🚉🇱🇹理基准）上有🛣蜘蛛中等程度❕⌛的下降（43.4😆5→40↕🧢.45和📏💦49.👊82→🏴🦶48.00）🕺。
