（来源：上观新闻）
现代机器人系统🇹🇩的设计📣😠思路确实如此📕🌶网络书源：研究者先训练一🧙♀️个具备视觉🤤理解和语言理🔴解能力的"📚⌚通用大🏴☠️🈲脑"，也就📧是视觉语言模👩🍳♒型（V💻LM，可以理解🏄♀️☠图片内容并根🇦🇩据语言指令做出回🐱🙆应的A📠I模型），再⭕在此基😧础上叠加🇬🇭"动作生成"能💬力，让机器人不只❔🇵🇪能看、能🌟说，还能👦🏛动手操⏲作，这类系统⚙被称为视觉语言😜动作模型（🇶🇦VLA）🚍。当时的情🖼⏏况是：〰抖音有🦅🛑巨大的流量，📕〰用户天天在刷，🇲🇾🌂但平台上几乎没👨❤️💋👨🥫有卖茶叶的商家☢✝。
发现四：人类觉🕊🌨得难的，🇸🇳Age🔍nt 不一📕🔬定觉得贵——难度🍥🍘感知完全错位 你🕙网络书源可能会🔩🐙想：那至少我可7️⃣以根据任务🌭的难易程度来预🇦🇹🇨🇲估成本吧🇰🇵？ 论文🇮🇴✝找来人类专🐖家，对🧖♀️ 500 个任务♥🏧的难度进行评🔊🕊分，然后和🇸🇳 Agent🏄♀️🤣 的实📛🗒际 Token 🇲🇸消耗做对比🚨—— 结果🇰🇳🤭：两者之间只有💞弱相关♦🍬。打个比🏣🔵方：这就像请了🌥一个修理🕢工，他每动一🍏下扳手之前，都🇪🇸🎡要你把整栋◀📔楼的图纸从头念📶一遍给😥🇯🇲他听—🍘—念图纸的🕉钱，远比拧螺🇨🇫🧐丝的钱👣🇪🇷贵得多🍱🉑。
