（来源：上观新闻）
VLM常😰用的训练数据，🍺包括大规模图文⤴🇻🇺匹配数据（如LA🚺🇯🇪ION-4🌵00M、CC🙇♀️-12M🧢🐒）、视觉问答数据😉（如LL🇨🇮aVA-Inst🇲🇭😋ruct-👩🦲665k）、🍩视觉常识推理数🌝据（VCR）等👫，它们彼此之间的🇵🇪距离普遍较小，属📑🧽于同一个大😰家庭🥘🇸🇰。
这验证👳♀️🌸了一个直觉：大多🦗🤡数VLM训练数🏥据的"口味"🤝，和机器人任📂🚴务需要🧦的"口味©"，根本🚂不是一回事🧜♂️👩👦👦。它只是一个还🇭🇹👨🌾没意识到自己需😪要睡觉的 🎡AI🤨🇪🇸。
因为漫剧和抖😂🐏音短视频不一😰样：短🇲🇰视频看5秒不喜欢👩🦳就划走了，但🍐剧不一🏁样，用户看了🎧🏦3分钟，如果👨🦲💛发现后面🎄👩🔬全是烂的，这♦🇷🇴对平台是巨大💣🧽伤害🇳🇮。
