（来源：上观新闻）
有了这份🍸🖇数据，🏜开发者🇮🇨可以更明智地选🔶择模型、🎖🌪设置预算、设计止📇损机制；模型厂商🇺🇿也有了一个新的🇪🇬优化方🇰🇼🐈向——不只是做1️⃣👿得更强，还要做得💞更省🌀。
第二种替代🌒方案是特👳征空间🎱平均距🕗5️⃣离：对每个候选V♦LM样本，计🇦🇷🙂算它的VL🐯🧵M内部🎱表示与👍📎所有VL🇭🇰🐁A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💇♂️。
这验证了一个直👨🚀🐤觉：大多数V⚛LM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🚓。有趣的📌👨👩👧👧是，对比两🌂种初始化🇦🇷方式下的🚄🕹VLA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🇸🇨📱。
