（来源：上观新闻）
更有意⬛👨思的一个🚏发现是：0️⃣Token🇲🇷🎆 效率是模型的🦋“固有性格”，📥而非任务使然☔📳。第三种替代方案🇵🇦是VLA条件困🇬🇲惑度：先把V🕐🔟LM在文本形🇵🇷式的VLA数据上🇷🇸🆎微调一🕗▪遍，然后用⛓👩🦰这个微调后的🇲🇺模型对候选V🦅👩🔬LM样本评🛥🖋估困惑度（🎼困惑度可以理🛅解为模型对这段内🥺🍪容的"意外程度"🎑🇧🇼，越低说明越符🧤💅合模型预期），困👡惑度越低的样本🦂🍻优先入选🚜🚧。
从数据🐭🔀集层面看👮♀️seo英文怎么读，RefS🛌patial（🔸🔢专注于空间🚊🍀指代推理的数据集☸☁）获得了最🎇🚡高的平均😙🗒分，而VCR🔚（视觉常🖨识推理数据集🇹🇴👩🦲，主要涉🍗及对图片中人物🌒🇬🇭行为意图的理解）📋😘获得了最低的平均🍚分🌍。
研究者在论文中🙏直言：「基😙🧡于方案的人🐩🍫机协作😬工具不应被视⏰🇮🇱为省时省⛎钱的工具🐋🇵🇼，而应被视为📨通过增强人类创🇳🇺🐓造力来产🐬💂♀️出更好结果🥙🉑的工具🔠🚜。2. Token🈹🥓 效率应该成为🚀选模型的“第🛋三指标” 🍧传统上，企业选模🍣型看两👨👧🏟个维度👄🤩：能力（能不❗⚪能干）和👩🦱🚒速度（干得快不🇪🇸快）🐤。
