（来源：上观新闻）
这验证了一个直觉➡：大多数🛢VLM训练数👨👨👦👦😶据的"口味"👗，和机器人任务需🚴要的"口🌾🍲味"，根本不是一🌃🐒回事🧒。这个工具的🤟🇺🇳设计思🛫路，借鉴🚸🕕了一个来自统计🏡学和机器学习的经💭🕍典结论：如果🤤你训练一个✒分类器，☣🇨🇷让它区分"属于🚻A类"🇸🇯和"属于B类"🈵的样本，当💪😄这个分类🇨🇮🇪🇨器训练得足够好❇🇲🇪时，它给每个📋样本打♑📙的"属于A📤类的概率"⬜😨，恰好与这🏞💸个样本在A类分布🇬🇼下出现的📽超凡蜘蛛2免谷歌版中文版概率与在B类分布💱下出现的概率之👓比成单调🇬🇬🇬🇺关系💏🧂。
--- 归根结🌑超凡蜘蛛2免谷歌版中文版底，这项研究回答🍙了一个非常实际💙的问题：🥓🐈当我们想让AI⚪控制机器人做事👩💻🚶♀️时，AI的"通🇲🇷识教育"和"专🇻🇪🛑业训练"之间🖐🕧应该怎么衔📻⛈接？研究🦋🐑团队的答🦜案是：🧬👩❤️👩不需要抛弃👎通识教😺⚓育，也不需要无💚🛥休止地增加专业数👵据，只需要🇨🇨🇨🇭在两者🏦之间加入✝😙一段精挑细🏢选的"过渡🧩◻课程"，让大脑在🌌上岗前🍔✈先调整好状态👨💼🔯。3. Agent⚰ 需要“🇲🇶🇱🇮油表”和“刹车👨👩👧” 论🥘✳文提到一个值得关🇸🇦🇵🇱注的未🇿🇼🇩🇪来方向——Bu🇯🇴dget🇰🇾-aw🗳🔕are🇨🇲🇧🇶 tool-u🧝♂️se polic✅ies（预🧲算感知的工具使用🇮🇨策略）♾️。
