（来源：上观新闻）
在参数量上，🇵🇰💗这个经过中间训⏺🐥练的1.1B模✈💹型，面对的💔竞争对手包括🎙7.7🎴B参数的👬🇮🇨OpenVLA、🀄3.1🇲🇪B参数🌁™的π0🏞（基于PaliG🇸🇻emma-1😿的流匹配模型）、🇪🇺🇲🇹3.8B参数的Q🍚wen2.5V🎌🙅♂️L-3㊙🔌B、8📷.3B参数🧛♀️的Qwen2.5🔸🚎VL-7B，以💃及规模🥊从2B到3🇹🇯0B的多个🇸🇱📮Qwe😗💢n3VL系列🧡模型👩🏫。
最好的成绩是 🇧🇯Claude S🌟onnet-🇰🇮4.5 对输出🆚🇽🇰 Tok💶en 🚄的预测相关性—🤤🖨—0.👛🧐39（满分 1.🚙🧓0）🐢。每多一轮对⏩🇱🇨话，这个上下文🇬🇾就变得更长一🇹🇴🛰轮；而模🐪型是按 Toke☔🚏n 数量计🍃🚑费的——你喂得🍨9️⃣越多，付得越®多🇪🇬🇽🇰。**一个让🇳🇿机器人🥼♨"上岗"更🏛🇬🇳顺畅的关键🌾难题*🤥* 教会机器人做🔈🇦🇪事，听起🥼来应该🇧🇲🦜和教人差不多——🚓先打好基础，😼🚋再专门📐💓训练🔶🎟。
终端客户的🍡引百度蜘蛛决策门槛过高🏅👨🦲，而本体厂商天然😯🇮🇴带着工程师🇲🇹基因，他们习👱惯于优🏬🆕化核心零⛸🦞部件的良🌯🛥品率，却缺💽🥪乏专门🌽🎾的组织🏭🧾去处理繁琐的线下👩❤️👩运营、终端📡🔹教育以及🔶💛极其复杂的维保👨❤️👨🇯🇴流转👌。最离谱的一🌱种出错方式找到了🔣正确的来源，但给🐮出相反的答案😽引百度蜘蛛。好消息是，这是👩⚖️第一次有☸🔣人系统性地把这笔☺🦷糊涂账翻出来算🤯🥅。
