（来源：上观新闻）
邻近性估计器的有😐效性依👨🍳赖于VLA训练数🐫据作为"靶点"，🆓如果目标🤤领域的🧒🇧🇲数据本🥂身很稀🔭缺，这套👷方法的💓可行性就😏🔫需要重新评估🍹。这本质上是😽同一件👩👩👦👦🚍事——你得先找➿🏴☠️到那批愿意干的🈶🇮🇲人，陪他们跑出来🇰🇿。这个设计有几个👉值得注意的🦐特点🇱🇸🏫。在参数量上🗣，这个经过🍈🚣♀️中间训练📋💅的1.1B模型🐉，面对的竞争对3️⃣手包括7.7B参👾🚹数的OpenV🦓LA、3👍💡.1B参数的π0🎨🚧（基于P⏸🍡ali🐯Gemm⚠a-1的流匹配模🥑👬型）、3.8🎊B参数的Q☯🇳🇿wen2.5🌗VL-3B、8.👨👨👧👧3B参⌨数的Qwen2🤸♂️.5VL-7B，🤾♀️以及规模💄🛐从2B到30B的🔍🐡多个Qw💱🇸🇦en3VL系列模💸🏖型🏊。
这种组成👩✈️👨🦲结构体现了🧖♂️估计器自然形成的🐒🗄平衡：⌨来自专业数据集的🏴☠️🔦空间推理样本有🧗♂️🚂较高的🔶✈"命中🇰🇪🕓率"，来自大🙄🎲规模通💕👩👦用数据的样🇪🇨本则贡献了绝🔔对数量，🚣♀️两者共👆同构成🏎一个既🎲对齐机器人领🕝域又保持广泛🇱🇦🇳🇵多样性的中间😭🔻训练集🐹下载谷歌商店。
