（来源：上观新闻）
这意味着 AI 👨❤️💋👨🏯geo是啥产品用🍽🧵来衡量自🎢身价值的那套指标🤧体系，可能系统性▶地低估了🍤♎ AI 真正的贡🇨🇭🌰献，同时高估🚽🛡了「输🇵🇬出准确性」的重要📵🧬性🛒✔。”孙海👑🧗♂️定说道⚡。或许，一个🐒从不睡觉的 AI📟🏎，不是更强的 A🇵🇾👨👨👧I🍵😱。每多一轮🎵对话，这🎉☝个上下文就变⬛🇸🇯得更长一轮；🌆而模型是按🦆 Toke💷n 数量计费🚰的——你喂得越5️⃣多，付得越多🏠。**三、热身训练🛣的实际效果：小🇬🇭模型逆🛀袭大模型** 🙌👨🔧有了精选数据集📡🧢，研究团⛪队就用它对VLM🚊进行中间🥙🤖训练（全参👹✳数微调，批量大🤺小256，训练5🦷⛩000步）📂🇸🇻，然后再把🕟🇺🇬这个经过热身的V🇦🇱LM作为起点🛄，按照标准流🔪程训练🍤🇫🇰成VLA，在三⛳个机器人操作🍙基准测试上进行评🇺🇿🃏估🔘🍡。
这个比例还在上升🇵🇦🤙，去年🍚 10♓🏇 月是 📣🎽37%，💒📲升级到 Ge🇨🇴🇺🇾mini 3 之📗💍后反而🇫🇷涨到 5🐶👳♀️6%🇪🇪。比如当被问🇧🇫🍁到哪条河流🍢👋在北卡罗来纳🧥⛺州戈尔兹🇲🇬🕍伯勒市的西侧🇵🇹🇩🇴时，AI🗼 Overv🗒iew 回答说🍀😈是尼斯河📨❣（Neuse🚯 River）🙏。已申请近4🎪00项🤯🦵专利，⛺形成绕开国外竞品🥏的技术护城河🐗。
--- Q&A🎫🥓 Q1：Em🌨🚊bodi🎩🤝edMi✊dtr🏢🏙ain和普通🏬的机器人VLM微🇬🇸调有什么区别？🏅📡 A：普通微调🌆通常是直接在机器✍👡人场景数据上继🐁续训练VLM🙃，但实🏑验表明这种做法👧在VLM理👨⚖️解能力🎙测试上可📨⏫能有提升，却🍪🈹未必改善机器人☸实际操作表现👩🚀👩👩👧👦。这是擎🇰🇪天租起盘的🧧底气😂。第二种替代方🇸🇦案是特征🎐🥌空间平均距离：对🏟每个候选🎳VLM样本，计算🇦🇸🕸它的VLM内部表🦘🥜示与所有VLA样🚥本内部表示🔍之间的平均欧氏距🛣🇬🇵离，距🇹🇭🚛离越小的样本优先🤫🧹入选😽。
