（+微:hywyysxs）
在Calvin上🐭，中间训练后的1☀.1B🤾♀️模型以3👽.714的✍🚤平均得🇬🇧分超越了O🌊🛒penV🕦LA（2.5👨👧👧🇱🇰48）和π0（🌯3.509），与🔑1.7B的🇸🇯📐KosM🤼♀️os-2🌝（3.096）🐳🆕、2.9B🍳🏝的Palig🦉🍥emma-1🥒（3.50🌪🥫6）、3.0B➗的Pali🎪🇸🇬gemma☠-2（3.406🇺🇸👆）形成显著优势，🏢👳♀️与2.1B的Qw🇱🇺🏄♀️en3VL-⁉🥥2B（在全量📋训练数据下达到4➖9️⃣.142）的差距⛄☀也大幅缩小📪。
结果，医院🧞♂️✉反而想雇更多放🎛🙆射科医生🧮🆑。第三种替代方案是🍤VLA条件困🇳🇫惑度：先📑🎪把VLM在文本形🤓式的VLA数🇵🇸⛹据上微调一遍，然🙆🌬后用这🧒个微调后的模😢✒型对候选📗VLM样本评估🍚困惑度（👷困惑度可🦊以理解为模型对🇶🇦这段内容的😄🙈"意外程度"，👩🚀🧘♀️越低说明越符🍒合模型预期），🇨🇩困惑度越😢低的样本优先🎩🏔入选💋🇮🇱。
