（来源：上观新闻）
调用17个 a👩🎨gent 协作后〰🚖，代码🇵🇪▫规模迅速🇸🇻膨胀到30万行，⁉一个新产品🎨就这样冒🏦了出来😻⚽。哲学你主要研究🧁什么？ 刘耕：我🔮🗣研究生读的是西🎶🇲🇾方美学史，博🌟🚋士转到了🛑🦒中国艺术史🇷🇸🚟。这种组成结构体现🏨了估计器自🏴😝然形成的平衡：来🍱⛳自专业数🌴据集的🕉📏空间推理样😂🇲🇫本有较🇲🇻高的"命中率"🇨🇺，来自大👭规模通用数据的🙍样本则贡献🧢🏋了绝对数量🕵，两者共同🦁🎊构成一🎐个既对齐机器人领🇲🇴6️⃣域又保持🇩🇰🤝广泛多样性的🖐中间训练集🇵🇾🤘。AI 闹：所😼◼以 El📗ser.🔤AI 从🐬嘉兴geo优化公司一开始就瞄准😖🧻了海外？🏩 刘耕：对6️⃣🕠。但为什么总觉🇲🇿得 AI 不够好🇲🇰用呢？ Swan👱♀️sea 大学一📨🇩🇯项迄今最🦔🦹♀️大规模的人机协作🚥🕕创意实验刚刚🏧🇬🇭告诉你💋：你对 🚆AI 的期待从🙎♂️🌊根上就是错📹的🎯🤕。
上面的数字可能让👨🔧你倒吸🍢🌅一口凉气—🃏—AI Age🚰nt 自主修 🎞💴Bug 在海😊外官方 API🍚👩🦰 下，单次未修复🚵任务常🌇烧掉百👱万以上 Toke📥🇹🇲n，费用可🇰🇭🎦达几十至🎄一百多🔒🏴美元😛。关于多样性的保持👩👦👦🗻，研究团队👩👩👦🏥用一个叫做均🍯匀性指🏨标的工具（基🇧🇧🐁于特征空间🔣中样本😘😋对之间距😗👩🦰离的统计，🥦🚡分数越高表示数😱📉据分布越😏📂均匀、越多🔺♍样）进行了量化☎。第三种替代💿方案是🍛VLA条♋🐫件困惑度：先把👫🛰VLM在文🎓本形式的V🎙LA数据🥣上微调📛一遍，然后用这👩👩👧个微调后的🇯🇲🇷🇸模型对候选V👩🎤LM样🎬本评估困惑度（困🧖♀️惑度可以理解🌕为模型对这🤭段内容的"意外程💜💸度"，越低说明越🇪🇭符合模型预期），💴困惑度👨✈️💺越低的🇩🇰样本优🎳🧁先入选🐕🤠。
