（来源：上观新闻）
LLaVA-In🤹♂️stru🦟ct-66😧🧖♂️5k贡👨🦰🇧🇸献了2🇳🇿⛩0.2%，R🇲🇹oboPo🤥😐int🇦🇹贡献了19🏮🇸🇬.9%，Ref🚏Spati♦al贡🔺献了14.⛱🦚7%，9️⃣Robo2V🇲🇽LM贡🏃献了9.2%，🧁CC-1🐯2M贡💔献了3.7%，而EmbSpa🏷🍾tial-🦂👕Benc🧗♂️🅾h和VCR则几乎👘🌯被完全淘汰💅（分别仅🇲🇨😠占0.1%和0.🤚0%）🍺❗。哪怕是当下👨🏫🇨🇽，国内 C 端工👐具产品的年均续👨🏫🌪费率，能做到 ✝🚣30% 🗿🏞就已是行👨👨👧👧业顶级水平，而海🇲🇴🎩外同类🦌🦡产品的续费🇦🇴📊率普遍在🇧🇶😉 60% 以上👯♂️🇫🇰。
用t-🕊💎SNE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🔶🚮。做一个最🇨🇴简单的App从🌖泛目录寄生虫程序立项到上🇭🇺🆒架要几周甚🇨🇺至几个月🥏🧲，成本至少几万块🕌。具体实现上，研究🇼🇸🦌团队把VLM模🙏🌍型对每个数据💰样本的🙀📠内部表🇯🇴🎶示（也就是模♊型最后一层的🇰🇭隐藏状态，🚏🍾可以理解为模型🇳🇪🇱🇾对该内🔭👖容的"内心印象"🔼🇨🇻）提取出来🇭🇷，冻结不动，再🈳在上面🎽接一个📐非常简单✳🎂泛目录寄生虫程序的线性🥖分类层，用VLA🍈训练数据作为正样🏁🚲本、VLM训练数6️⃣据作为负样本🇸🇹，训练这个分类🇬🇦👩🍳器区分两👩⚖️🗄类数据⛲。
