（来源：上观新闻）
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🚡。结果同样在三🚪个基准上都有提🕰🕢升——Calvi🤓n从3.😠🤢205到3.5🎵84，👩❤️👩🔍Sim🥈😎plerE♣nv从👩👧👧0️⃣38.5%到45📅🎑.8%，📴📳LIBER📃🇦🇼O从3🇬🇶👁3.8%到🐜40.📉🚏2%🔳。一个调查数据显示🤼♂️，Goo📴gle AI 搜💻索新闻的结果，🛣🥓十条就有一条是🎼错的🛅⛄。
用t-SN⚛E可视化（一种🏹🇷🇴把高维数据压🔦缩成二维图来🧞♂️👳♀️直观展示的技术🤩🇨🇭）来看，机器人🈴🤹♂️数据形🔽🇩🇬成的那几个簇，👨🌾与VLM🇨🇫🌵数据的主要🎦👨💻区域几乎不重叠，📿只有极少数🚞🧨VLM样本👴🇺🇸漂浮在靠📊🇧🇹近机器人数👚🕛据的边缘地带🇦🇹🗜。
这说明中🔓间训练带来的💳不是一个一🔖次性的"开局优势🚎👨🍳"，而是对模型🇨🇫❕内部表示🚿⚫的根本性改善，🇨🇿🎵这种改善👩🇧🇮在整个后续学习🦸♀️🐭过程中都在🇮🇴发挥作用🚏。这意味🏋️♀️🇲🇴着，如果只盯着💕训练损失来判断模🧖♂️🚴型质量，你根本👫看不出中间训🤶💐练带来的那些🛫🤵差别👨🎨🌹。
