（来源：上观新闻）
从本体🇧🇸♻厂商的生存现🍐状看，产☔能与应用场景的🇧🇦☸咬合是当下的🎨核心课题👾👇。第一笔，是增长🇨🇴🏌️♀️账：免费换规🍬🤲模的边际效⏳🇩🇰益，差😠不多走到头了🚝。实验结果相⏪👩👩👦当显著👶🇧🇯。它是一个简单的线💽性层，建立在冻结🔥💱的VLM特征之♒✂上，不需要对V🤬LM本身做任何改🐟🌱动🇧🇸。
具体来说，他们🦒让VLM读取🦋每一个数据样本，🏄♀️✌提取出模型对🕔☣这个样💋本的内部理解🇺🇬表示（可以👙🎹理解为🌐模型对这段内容的🇧🇯🙎"印象"），🧟♀️然后用🥾📜一种叫做最🧳大均值差🧘♂️🚨异（MMD）的工🕝具来量化不🇷🇼同数据集之间的分🎏布距离—🇵🇾♍—距离越大，说明🚋两组数据↕🇻🇮的"世界🌥🔳观"差异越大♒🇪🇪。
训练完成后，这个⏮🦖分类器就成了一个😝"靠近🐐机器人世界🚛🇨🇵的程度评分员"🤕📅——对海👨🍳量VLM数据的🏃♀️每一个样本打一个👎0到1之🙋间的分数，⏏🙁分数越高，说明🐪这个样本与机器🎼人操作📠数据的"🇷🇸🕳世界观"越🔄🎨接近💴🍗。（本文🇬🇱首发钛媒体A🏉🇫🇲PP，作者 | 🇹🇱硅谷Tec👻🎪h news，编👘🇻🇨辑 | 🦋🧓赵虹宇）4️⃣ 注：🧑✝本文基于🐥🤙 2026 年🦐🇸🇲 4 😀🏤月 24 📜日发表于 ar🏞🥞Xiv 🛢🖐的预印本论文 *🍷👪How 🔢♍Do A🤗🇩🇯I A🌓gents S🛅👏pend You💱🍉r Money💆♂️? Ana🙍♂️lyzin👩👩👧👦g and 🎢💭Predic🐵7️⃣ting🐲🇧🇷 Token C🐉onsum🌶🇮🇱pti⚗on in Ag🇺🇲entic 🍑👩🦲Codi👳♀️👨👩👦👦ng Tas👳♀️⚓ks*（Ba🦝🍀i, 🛤🐠Huang, 🇷🇼🇸🇷Wang🕐, S🚣♀️💄un,😍 Miha🇵🇦📍lcea, 🤔☮Brynjol🇳🇬fss🇵🇭on, Pent🌋land,🇲🇾 Pei）撰写Ⓜ。
