（来源：上观新闻）
结果显示🚚，精选后的V📍LM数据多样性😅得分为1.9🇸🇯3，与通用🙁VLM数据🇵🇭📍的1.96非🍫🇬🇧常接近，远高📲💠于具身导向👨👩👧👦👨⚖️VLM👱数据的🇹🇨🦎1.62和VL🦃A数据的1🎚.26😚📫。在这个融合阶段👵🧰，模型💱🥽就像是一个🌸正在整理思绪的辩🤾♀️📝手，一边看🛷着手里的辩🏊♀️题，一🐬👩🏫边瞥一眼自己刚☀刚快速写下的提示👷词，尝试基于👓这两者🇱🇧的结合来预测🚅接下来🤾♂️🎄到底该说什么才🥯💒最准确🔴🎗。然而AI2️⃣全面接管后，🇧🇾Buzz🥜⚛Feed网站被⚛AI生成的“列🇲🇼🇲🇪表体”文章🏺和通用化测试题😳淹没，内容语👲😐法正确但😌毫无灵魂，沦⛄geo优化为“AI🕖废料池”🍀👩⚕️。
这些基线模🌹🇰🇮型全都使用了远🆒▫多于中🇬🇪间训练模型的🕺训练样本——在🍃🇧🇶每个基🇪🇪准上，🙌🚻基线模型使用⬆👶的训练数据👭😪量约为中😙间训练模型👕的6到25倍🐾👉。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🇪🇹🇳🇿。这个结果🇻🇨🥕表明，中间训🍙练对VLM的🇵🇸👕原有能力并非🍞👊无损保留，而是带🥶来了一🐺🦔种有选择🥡🕖性的调整：它强化💵🌓了与机👨🎤器人任务相关的能🤧♒力（如⚖三维空间推理）🚏，同时对🇲🇴某些更偏◻向通用感知或特🇪🇬定类型空🇸🇪间理解的能力🌌有所削弱🧜♂️。
