（来源：上观新闻）
现代机器人系🔙统的设计思🌈路确实如🤵此：研💓🇲🇰究者先训练一📛🥳个具备视觉理解和🕝🏕语言理解能力的🧳👘"通用大脑"📮，也就是视觉语📏言模型（🕟VLM，可以理⛽🇦🇷解图片内🥪容并根据语📡🚒言指令做出🧘♀️回应的AI模🧖♂️型），再在此基础🇳🇷🇺🇿上叠加"动作🌉🥤生成"能🧖♂️🇩🇴谷粉搜索谷歌搜索引擎入口力，让🏦机器人不只能看、🥿💌能说，还🇲🇼📬能动手操作，这🔠🙏类系统被称为视觉🇰🇪语言动🚲作模型（VLA）🧀♻。
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🔥。它不再只是🇩🇯⏮告诉你哪🤔里有答案，而是直👌🇲🇪接告诉你答案👨🎓🧓是什么📟。此前计划选购新机🚵♀️🏖的王先🍊✅生也决💈🇦🇽定，先观望一段👦时间，等待后🍠续大促节点再做打💭算👸🕙。多样化建议的价💵♈值不在起步阶段，🇪🇷🛶而在你自🇵🇪以为找到🇸🇿🤐最优解、实际🤖上已经陷入局🤝🍠部最优的时候🔪🇲🇴。
以1.1B参数🇰🇾😶量的In☪ternVL3.🔙🛰5-1💜B为基础做中🇨🇴间训练后👩🦳🛌，该模型在Cal💠vin上💨🏆的平均完成任务🌖🇻🇦长度从3.☎173提升到3🇧🇪🛋.71🌗4，在Simp🔏lerEnv上的📛成功率从36🎓🤸♂️.5%🕘📉提升到56.3🇨🇭🗺%，在LIBE☁RO上的成功率🔏从39.🇹🇷⚱0%提升到5🇩🇬💃4.2%📤☂。
