（来源：上观新闻）
这个发现至关🔫♟️重要，它意味着⚓🚘：与其抛🇻🇺👩👩👧👧弃所有V🦋LM数据重来，🐪💱不如在VL🧂M那片🧞♂️广阔的数据大陆🇹🇬🐱上，精🇨🇺💝准地挑选出🚵♀️💋那些与机💊🇨🇷器人世界更☺接近的🤥◀"边境地带"样本🇦🇨，用它们来做🏬🎓针对性的🧀过渡训🇧🇴练🌻。
你怎么定义P🈚🧥？ 刘耕：有👩🎤🍳专业能🕚力，但不想🇪🇹进入机构、👣不想去短剧公司🤛做流水线生产的人🎃。最终筛选出🌫的120万🛶🙊样本中，L🇩🇴AION☀😟-400M贡献🧠了最大🏃的绝对数量（⛽占比32.😥0%），但这不🥅是因为LAION🌋整体上与机器❇🏀人数据接近，而是🔴因为这个数据集总🕥体规模极大，🇲🇱哪怕只有很小比🌻例的样本🌗够格，绝对数量🔗🏳️🌈依然可观😶。在400多位🅱🇸🇰合伙人的培训中，🇦🇺🍫重心涵盖😹😴了具身智能的通👨👨👧👧用运维、🚁AI获客及多🌪场景交付能力🧗♂️。
现在各家平台🔏能力基本都够了，🥁🍯差的是把故🏅🗄事反过来讲🐘🇲🇾，先别急🔼👍着告诉用🇬🇺户「你能做☢🇨🇼什么」，先🔻搞清楚他「🚣💞你哪块♋🇬🇼家里怎么引诱蜘蛛出来有问题」🇱🇨🈸，能通过🇬🇩1️⃣服务级产品解🇦🇮🇨🇫决💤。这些对比🈵👘共同揭🏄♀️🤵示了一个🥧道理：VLM样🍫🇨🇵本与VLA领🎨域的对齐程度🍦🥰，是一个需要📒👷♀️从数据中⚖👨🔧学习的复杂信号🖤，而不是可以靠🇸🇩直觉构造的简👨⚖️🧺单距离或困🍋惑度度量👥。
