（+微:hywyysxs）
研究团😖💯队在五个V🦉LM标准基准测试🌖♻上评估了中间⚜🚆训练前后的变化🇱🇷🇧🇧。同时看好国内🇺🇦🇦🇿先进封🔌🐮装后续🍦🦑放量🥬。当N=1（🈁纯teacher💍 forci👂ng）时👩👩👧👦🛎训练最快，🇪🇬🧢但自回归性🚕能最差，这👩⚕️直接证明了自🚃⛩回归训练的🍋必要性🏌️♀️🇵🇱。但 Fo🏚rmFac👎tor 的优🔤势在电学📥测试，🇱🇧光学是短板⚫🗳。与亚马逊的合作🇲🇳中，已包含在亚🚹⤴洲和欧洲新增推理👤✴算力的安排🇰🇲🎂。这个循环需要持🦢续的资金投入来🥶维持，🎏🕘在早期，亏损几乎🧱是常态🇴🇲。---😨🇸🇹 Q&A🈚✒ Q1☑🦠：混合👑专家模型（MoE💵⭐）的专家切换频🥛🇰🇭繁为什么会🎏是个问题🦠？ A：当模型🕗规模超过G👨👧👦PU内存上限🔱时，频繁切换🤱专家意味着系统需⛰🍙要不断把🕚不同批次的专🧂家参数在GPU🏊📯和普通内存🇵🇾之间来💂🌤回搬运🏋🍾。京津冀、上🥟海、广东📭☯、深圳、江苏♻🔶、南京、合肥…👞🚮…几乎每一个中🐨国科技产业高度🦖✂集中的省份或城🏃市，都🤭🛌在这里搭建了自己✏的“出海样👩🏫🌎板间”🏇。
这种权衡是可以🍘接受的，📤🔡因为中🇲🇴🇦🇹间训练的目标🐴🐹本来就不是💦让VLM在所有任🦢👺务上变🧪⛰得更好，而是让🤘它成为VLA学📫🎰习的一个更🙍🏕好的起点🦞🤛。大众的关注点，🛫要么是“百🇲🇻🇲🇽万上下文"这个🎫听起来很唬🇹🇴人的标签，要么🍵是跑分榜单上“谁🇬🇮又赢了谁零点几👬分”的算术题🇰🇭⏫。投资机会包括🌃🌦四大类：（1）A🥚🎡IDC👨🦱🇼🇸电源主机🧷，即PSU、HV🇲🇻📱DC、SST等🔣🧽环节，价值量集中⏹、技术壁垒和🇬🇧🤨入围门槛高；🕑（2）电站级储😍能，越来🧰越成为AI🌤数据中心并网的刚🏗🇮🇶需；（👃3）核心零部🐡件，尤其看好↩固态断路器、CB🇿🇦U/BBU👾、DC/DC设备🚣♀️😢、电子熔断器🚢🇲🇭/继电器等AID👳♀️🏳️🌈C新增环📋👘节；（4）Ga🔖N、SiC等第🍰三代半导体🏤。
