（来源：上观新闻）
如今，你几乎会在🍸每个电子邮件地址🌞和社交媒体账号🧤™中看到它，但📸它并非一直如🚥🇦🇺此出名💧🇿🇼。具体实现📅🗣上，研究团队把🐆👨🎨VLM模型对🎛每个数据样本的内🚍👩👧👦部表示（也就是模🙌型最后一层的🔌隐藏状态，可以理⚗🌎解为模型对该内🤤🇸🇦容的"🏬内心印♣象"）提取👡☺出来，冻结🤤不动，再在上🏸面接一🏳🇮🇱个非常简单的🔝🎹线性分类层，🛋🍄用VLA训🇲🇰练数据作为正💓♈样本、VLM训练👨👨👧👦数据作为负样本🦸♂️🇮🇨，训练这个分类器📄区分两类数据🇨🇱🥀。Cla🤕👩⚕️ude S🚣📔onnet-3.🚃👩⚕️7 和 Sonn🥖et-4 的预测🔞🌐成本甚至高达🧙♂️任务本身成🔻本的 2 📏🤔倍以上🎴。
多数模型的预🏌测相关性只有🏚🇻🇬 0.05 👨👨👧👨👨👧👧到 0.34 之🎣🕞间，Gemin🥈i-3-Pro🔧 最低😥，仅为 0.🐷👔04——基本等于🔐瞎猜🌋🦝。如何在一个完🤵全基于“人类🛎乘客+常🧼⏸规行李🌈”设计的公共🏚安全体系中，为这🏌些带着大🔧容量电池到🏝处乱跑🦹♂️🇪🇭的硅基生命🇱🇷👩👩👧👦寻找合规👜🇿🇼的生存空间，⚪恐怕是💤🈷比让机器人学🌧👩🦱会后空翻🇲🇾🧟♂️更难解的🇹🇫现实课🦏题🇬🇾。论文把这🇸🇮👙个现象总🚯结为一句🥯🇦🇨话：驱动 Age🇳🇱😢nt 成本的⬅🥌，是输入 To📤⏬ken 的🌟🇲🇩指数级🤲🤤增长，而非输出📹🇸🇳 Token💪🤚。
