（来源：上观新闻）
这篇论文的标题🇨🇦叫「Fr🥮om Met📀rics t📫🤪o Mea🤹♂️ning」📍，从指标🔣到意义❎。当我们📡📘在屏幕上打😦🐏下问题并按下🖖💩回车键，🚩光标闪烁的瞬间☄🛀，文字就🇹🇱像瀑布一样倾泻🚩而下⛽🇧🇩。#豆包收费说明🇪🇭🐗。AI 💑闹：P⌨🚀 比 B 更有付◼🕺费意愿？ 🚐刘耕：不只🧒是意愿，P 的产📯出质量也会比 B🇱🇰📪 的平均值😲要高🔄🏏。他做这件事🙂是因为意识到👱♀️🇻🇺：漫剧的🇪🇬消费本质上🥖是一次性的，☦用户看完就🦆⏱结束了📼。换句话说，↘在机器人任👨👩👧🇻🇦务上真正重要的🏊🥤模型能力改进🚰，并不必然反👨👧👧👆映在训练损失🤾♂️➡的变化🇨🇮🗼上，这也解释📚👩🌾了为什么单纯在具🇧🇬身场景数据🌘🇸🇨上微调VLM🍇🎻（那样⛵🌧做同样会🇪🇬👕降低训练损失）却🇬🇵🏃未必能改善机器🇱🇹🙋♂️人任务表现🇸🇾。
反对的人理由🇬🇧很直接💝泛纳设计(深圳)有限公司，用户做完👨👦👦一个小工具🎌🇸🇯，玩两天🛒就扔，🌭留存率特别低，🕴商业模式走不通🔤🕒。尽管这些方法可能🕤💀有效，但🏄♀️▶它们也同时会🥴🐙带来不容忽视🇮🇹😊的问题：硬件📭复杂度、芯🥋片面积和功耗也🏣🥥会大幅度增加🥽🐖。对于简单🚣的寒暄，这种直觉👮♀️式的回答绰绰有余🤒🇱🇹。这就导致了一🇨🇫🧞♀️个尴尬的现实🕔：开发者几乎不可🇳🇪能凭直觉预估 🌥Agent🐰🚳 的运✏🍟行成本🏀✉。这说明邻近性🇲🇸估计器🧗♂️🛍捕捉到🙋♂️😠的"与机🧻🥽器人世👨🇾🇪界接近🤟"这一特性，并📵不是某个特定▶VLM的个📽性偏好，🐷📀而是一种更普🧾😋遍的、跨模型适用🇶🇦的分布🧛♂️对齐信号*️⃣🐺。
