（+微:hywyysxs）
这些对🧛♂️比共同揭示了✅一个道理：VLM🐑样本与VLA领域🇲🇹🇦🇽的对齐🐜程度，是一个需要👮♀️🥜从数据😢中学习的复杂信🐕号，而不是可以😸靠直觉🇮🇱构造的😃简单距离或困惑🤦♂️🎺度度量☺🌧。特纳斯🏮重申，产🤟品发布将🇹🇩继续遵循苹果一👩👧👦🧕贯的严谨作9️⃣风👨🎤🧜♂️。
**八、研究局🤫🐂限与未来方😡🕷向** 研究团队🇷🇼😏也坦诚地列举了🇸🇨🎌这项工作的局限🇱🇾↔性👢🇲🇬。此外，🗑🍙为了确保🧠📯模型原有的参数⛎🌻也能适㊗🥘应新的路🔈由约束，研究团🦛🧧队还给模型的专家🧓层和注意力层加了📕💥LoRA适配器—🧺🇰🇭—这是一种😎非常轻量的👨👨👧👧♦微调方式，只⭐🇯🇴需要在原有参数旁🇬🇭🇵🇾边附加一小块🦠📉低秩矩阵，参数🤜↖量极少但效果显🏟🌘著💹📥。
对于 I🇲🇩nsertio🇦🇹🏚n 1💊和 In🇧🇼☕sertio🇨🇽🚇n 2的晶圆级🌎😊测试，行业的目🇰🇿标是至🌩📎少75🦵♨0 UPH🔱。Bec🧘♀️ky：这🇩🇪是一个信号🕺。未来开源模型🗓🦐的分水岭，不再💳是看谁的底座大，☀而是看谁能🐺用十分之一的🏙力气干同样的活⚡🇦🇩。
