（来源：上观新闻）
此外，🙍🏦中间训练对部分通⚪用VLM能力的✋🙅♂️削弱，在某🎁些需要V📵🧙♂️LM同时🧱💱兼顾多类任务的场🎢景下可能是个需要🤗⚓权衡的问🏰题🏩🇲🇦。以1.1B参👛数量的Int🇹🇳🇴🇲ernVL3.5🤽♀️🎨-1B🕓🍊为基础做🚣♀️🇿🇼中间训练后🇦🇼👨，该模型☔在Calvin上🇳🇦的平均完成任务长✨🇬🇩度从3🔯.173提升🏦到3.🌄714🌄，在Simple🇰🇿🇩🇰rEnv上的⚖💻成功率👨🍳从36.5🌈%提升到5🇨🇳*️⃣6.3%，在🕒🌓LIBERO上的🇳🇵成功率从3👩🚀9.0%提🤯升到54.2👨🔬%🥄。
这种情况👏类似于给一位棋手👃👨🦰更长的读🦑🛃秒时间去👩🦲🏮推演后续的棋局🅿，时间越充裕，他🇱🇧⏩走出的棋步🦕就越发🎲精妙🖲。字节的优🔚势在于，🥃◻它在模✨🏒型效率和成本🧛♀️控制上🎆，已经做到国内第🌭👩🍳一梯队—↙🇲🇬—根据公开的技术⬛📭数据，豆包 2🙃.0 实现了推🏍理效率💤🇳🇦 43% 的提🧩升，长上下文🐳♠场景首包👜🙉延迟比⛪🇦🇽行业主流模型降低🌉🎻 25% 以上🧗♂️🛥，高并发🗂场景请求成功率达💠 99.98%👨❤️👨，稳定性处于行🦏⛩业第一梯队；🐾➗同时其万 to🇸🇦☺ken 推理🏉🇱🇮成本仅为海外头🗒部模型国内合规链🌿🥉路的 ⏹🖍38%，显著的成🐬🎻本优势🦹♀️📵，让它能更好🐾🇳🇿地支撑👨👦🙋付费版高算力🧚♀️任务的稳定运🐉行🇧🇼🤒。
当这些🍴😊线下节点具备了在🆔文旅、💁零售、教育💧🙍等不同场景下✍🎻调度不同品牌机🍘♾️器人的能↖力时，平台就🇧🇸🦚完成了向“Raa⭐S服务调度中心”🧝♂️🥏的本质蜕变🌫⏳。
