（来源：上观新闻）
删到V4↩🍃，单token🔉推理FLOPs砍🇰🇮到四分🍂🇹🇳之一，KV📚 cac🖥🌌he砍到十分之一🦸♂️😃。失败覆盖率的分布🥀也非常集中："结👩⚖️🐅构化数据推理🎟🇵🇪"覆盖了约4🙄✂1个失败案🔝🎟例，"🇬🇾🥥多步骤🇧🇶♨任务完成🗄🇩🇰"覆盖约🕓25个🧠🌡，"前提条件验📇证"约34个➖👨🔧，"工具调用精确🙈性"约20个，💈📆而其他被淘汰的🦛候选能💓力大多🇰🇾🏦只覆盖🇲🇸10到1🌇5个案例👩🦲🇵🇪。VLA（Vis⏰ion-L👨✈️angu🇧🇳👩🦳age-Act🇸🇪ion）🦎架构是👟目前具🥙身智能领域的🇸🇮主流方案，其😁🎠结构清晰：视🥍觉模块负责“看”🌀，语言🇹🇷⏬模块负责“理解”🤼♀️🍼，动作模🙉块负责“🧵⁉做”🇬🇾🇽🇰。
其二，语🌩↘言模型🎱📮有输出长度的🌟限制，当🇦🇽图片包含👥💽十几个甚至几十🔨👚个区域时，要求👩⚖️它逐一分析每🕋个区域，🇷🇴🎼往往会超出模型的👨👧👦🔼处理能力，导致遗👑🎤漏或重复📷✈。但每一个爱打🇨🇬羽毛球✨🇱🇻的人都知道，这🌗项运动🐶最大的门🇲🇸槛不在技术，而在📳人🍝。赛扬S💹📨U2300于2🔪011年🐁发布，采用的🗒🇻🇳是英特尔于20🇬🇸07年1🚎🔮1月推出🎉🥬的Penr🛒🦛yn CPU🛸架构😩📁。而涌现的起点🗂🏑，从来不是答👩🦱🇬🇦案，而是问题本身🧑。
过程中我们也会找🇨🇻🥝合作伙伴🎮一起推动🍴🥯。这种方📪式不需😧要事先标注🔨"正确答案长什♉🧂么样"，只🐸需要能🇦🇨判断"答案是🧻好是坏"，因此非💰常适合复杂的🈳多步骤任务场🎏🇧🇹景👛☸。当然，这项♊🇱🇺研究也坦诚地🇪🇦指出了自身的🏕🇵🇸局限：🦛😅SPP🇵🇭O的设计前提是🗓🎂存在一个明确的⤵对错判断🦁——数学🏡题是否答正确🇦🇲。” 从架构🥡📨层面看，它并非🍓基于 GPT-🙋♂️4o 的🥾图像管线🇧🇦🀄修补，而是🇪🇪从零搭📍🔭建的独🧝♀️🙇♀️立架构，专门为“🇲🇵☢推理+生成”联⏩合优化🇮🇳。
