（来源：上观新闻）
更多精彩内容，🥃🥝关注钛🆑✌媒体微💏👩🚒信号（ID：ta🇪🇺🇬🇪imei🌭ti），或者下😷载钛媒体A🚢pp⛅。该研究尚未经🍪🈴同行评审🍉🧼。但现实是，模📒♌型普遍在🚈失败任务上消耗🇨🇲👊了更多的 🐏🍱Token——👕🌇它们不🤾♂️🍯会“认输”⛑，只会继🆕续探索、重试、🎿重读上下文，像一♎如何制作个人网页台没有油表警示灯😵的汽车，一路开到🇵🇲🛬抛锚👩🚀。--- Q&A 🈹♒Q1：Em💔bodie💆♂️🏵dMidtra🇽🇰🇧🇼in和普👩👩👦通的机器人VLM🔷🍖微调有什么区别🇬🇾？ A：🏸普通微调通常🥇是直接在机器人🎾场景数据上继续训👨🎓🇸🇾练VLM，但实验🖨表明这种❌🥖做法在VLM理🤥解能力测试上可能🏦🇻🇳有提升，却🇼🇫🇹🇻未必改善机🎳🈵器人实际操作表🎩☸现💁🧀。
随着模型能💧🈁力持续升级🙎♂️，产品已经能满足🇰🇵越来越多的复杂⏮高价值任务🏳。更有力的驱动应该🇮🇳🧲还是工程约束🇰🇵本身，🇲🇸🇰🇵上下文有硬上🐊限，长时🐦间运行会导致🥋🇱🇰噪音累积◀，在线整理📟也会污染主线程🇧🇿👮的推理🎇👨🏭。2026 年 👩📅4 月，一🌴📴篇由斯👋🍽坦福、M💙🇷🇼IT、密歇根🇵🇰大学等联合🔣发布的研究论文🍐🍴，第一次系统性👨👨👧👧地打开了 🔈🇨🇮AI Agent☸🇳🇵 在代码任务中🏉📚的“消费🐹🥧黑箱”—⁉—钱到底花在哪了🇱🇨🇧🇾、花得👚值不值😢、能不能提🎭前预估，🖋答案令人震惊🤟。
