（来源：上观新闻）
工具出来📁后，就🇻🇮解决了供给端的问🥴题——让创作者先🇨🇷把内容做出🏋️♀️♾️来，并且留下来🧸🎍。但IP的生命🌕🇵🇹周期远不止于此🍑，一个角色一旦😾💁♂️被人喜欢，🍖🤸♀️它可以🛩进入游戏、进👩👧👧🦠入社交场😭景，甚至进☀🍞入用户自🏜己创造的内容里，❣⚰被反复使用🛒🇺🇬和延展🗳👊。#豆包收费说明🥂。202🈷🇸🇲4年年中，😘🍆刘耕从🌹字节跳动离开，🇿🇼创立了 Else🇸🇲🍍r.AI，先后拿🚺到了奇🇪🇬🇻🇮绩创坛和🏳️🌈正轩资本的投资👱🇲🇿。
VLM常用的🎃训练数据🤽♂️🇾🇪，包括大🚧🧗♀️规模图文匹配数据🇬🇵🇪🇸（如LAIO🎑N-400M、C🇰🇵💹C-12M🇦🇩）、视觉问答🚱数据（如LLaV🚌A-Inst👩✈️🛂ruct-66🙆♂️🇮🇹5k）、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⌛。但这 🎆14%🔌的人，产㊙🌐出了最好的设计🥔⤵。在客户层面🚒⏭，Cerebra㊙👨👧👦s与Op🔮enAI签署了🏁一项价值逾2🌺🦁00亿美❓🇫🇰元的多年🧞♂️期协议，根据协议👩👧👧🥴，ChatG🎹PT母公司🎗将部署75🦶0兆瓦的C🈷👩🚒erebras👩🎨高速A🤔🇭🇳I算力🙋。
第二笔是市🉑🐠场账：🇰🇮🇨🇷国内 AI🛋 付费的用户教育💯🏨，已经👻🇱🇮完成了⛳🧶。后来到了😏👏武大我教的🏔👬是美学🐘🇬🇱。换句话😆说，在🤦♂️🐆机器人任务🤚🈵上真正重要的🇬🇲模型能力改进，并🥖🎻不必然反映🦎在训练损失的变化🤔⚫上，这也解释了为🎯🦅什么单纯在具🏸📭身场景数据上微调🉑VLM（那样做🏎同样会降低训练损🇲🇾👡失）却未必⌛能改善机器人任👨👨👦🌵务表现🐜⬅。论文发现〰了一个“倒 U ❤🇨🇨型”曲线：🤲💴 成本👨🦱📃水平准📒确率趋势低成本🚀🏛准确率较低（可🚜🇻🇺能投入💎不够）中等♉成本准确🇩🇿⚡率往往最高高😱↕成本准确率不🍦升反降，进入👧"饱和区间"🇵🇷 为什么会这样🚵？论文通过分⏲析 Agent🇹🇱 的具体操作给出🍦🥙了答案—— 高🛐🇲🇰成本的运行中，☕©Agent🇲🇽 大量时间花🎃🇻🇪在了“重复劳动👋”上🇧🇱。
