（来源：上观新闻）
某些VLM数据♾️🇨🇩源——比如专注🏃♀️于空间指🧁代推理的RefS🔅patial👩🏭⚓数据集🇵🇾🤵——与机器人🗣数据的距离，明😦🏦显比纯图文描👨👩👧👧述数据更近🇧🇼。可是，当面对需要⛹️♀️多步推⚽📥理的复💹🇬🇷杂数学题或逻辑谜🗃题时，这🥍🍻种脱口而出👩👧👧🧴的习惯就成了致命🍏伤🇹🇲。
结果发现 👱Gemi🇪🇺ni 2 时期🥐👩👦，准确率🔫约 85😔😓%，错误率 15👶%😋🤑。没有强🐛🤽♂️制流程，没有规定🇬🇾时间，随时可以退💳出🇵🇦。它打开项目，读了🚓 20🛴 个文件，改了🐭改，跑了一🇶🇦🚒下测试，没过，➰又改，又跑，还🛐📃是没过…🦸♀️…来回折腾🔛了十几⌨🍏轮，终于🏕——还是没修好🥝🏙。
研究团队还做了一🏚个"跨身🐮👩💼体"的迁🕣移实验：用I😃🇮🇸nternVL3🌲🇨🇰.5-1B的特征☢🇸🇬空间筛🐩选出的精选数据🌸🔀集，不做任☢🕙何调整，直接用🇦🇩来对另👨👩👧🔕一个架🇰🇮🌩构不同的模👄💷引蜘蛛软件型Qwen3❇VL-2B🧂进行中🥍🈳间训练☠💡。
