（来源：上观新闻）
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VL🎐M（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🥔。在客户层面，Ce🧣🗑rebras与👩🎨🇸🇿Ope🇼🇫nAI🆘签署了一项价值逾🗞🌆200亿美🗃🥽元的多年🐶期协议，根据协👨💼议，Chat✨GPT母公司将🇲🇬🦵部署7🇻🇨50兆🇨🇫瓦的Ce🏈rebras高♎🏥速AI算力🔟🔽。
有趣的🇲🇩是，对比两种初始👘化方式下的V🍗LA训练📃损失曲线，两者几↙乎没有差异——损🚣🕡失值的下降速🎍度和最🥟终水平高度相似🏃💅。这套节律🦌🇲🇷在清醒状态🌆👚下无法形成，🍵🇪🇦外部刺激会破🇭🇰坏它👡。研究者让同🇻🇺🥜一个 Ag😑ent 在⚱🚫同一个任务上跑🔸了 4 次，结果👷♀️👩👦👦发现： 在🧙♀️☕不同任⚗务之间🌋🇦🇷，最贵的◽任务比最便宜🇳🇿的任务多🚺👓烧约 70⭐0 万个😴 Token（😗Figure 2🇨🇩🚪a） 在同一模🏴型、同一任务🦵的多次运行中🥰🇪🇸，最贵的👹⛲一次大约是🈚📙最便宜的一次的🚿🔲 2 🎪😼倍（Figur🏬e 2b） 👹🐹而如果跨模型对😥📐比同一👩🦳个任务，最高消耗🇵🇼和最低🤗消耗之间可以相差💐高达 30 倍 🇵🇦最后一个数字👩👧👧尤其值得关注：这🥟意味着，选对🧹⏸模型和选错🚤😢模型之间的成🇨🇩🇲🇺本差距，不👫是“贵一点”，😉🚼而是“🧽贵出一🛎个数量🦓🧳级”🏺。
202🔨🌍1年，Buzz🇧🇩Feed通过与✉SPAC公司👩👧👦合并登陆纳斯🆕🐎达克，市值🔦🍖一度突破17亿👐🇵🇳美元🇲🇨。一个能力略逊但🇨🇩效率高 🇰🇭3 倍的模⭕免费域名型，在规📩🇦🇶模化场景下可🛰能比“最强但最🤝🍎免费域名费”的模🇦🇨🚟型更有经济价🍲值🇦🇼🇿🇦。其二，选择的🍗逻辑不是简单地🏡💨"保留某些⚓数据集、🦝扔掉另一些数🇸🇻据集"，而📺是在每个数据🈳👗集内部做样本级别😩🕕的精细筛选，💂🛎因为即便是总体🚣♀️上与机器人数据相🇸🇦距较远的大规模图✌文数据集，其📷🙅♂️中也有相当数量👆🛠的样本🚚🏴☠️恰好与空间理🍬解、物体定位等♠👋机器人任务高度相🧰🇰🇲关☝🇬🇮。
