（来源：上观新闻）
在机器人前沿领🔂🇰🇿域，高参🎏数量语🦈🗽言模型📉充当大5️⃣🇵🇰脑负责任务分解和🚃😾状态维持，底层的😙视觉-语言🍊👁-动作模型（VL🏴A）被降维成一个🇼🇫个外部技能模块充🇬🇾😗当小脑，专门处🤦♂️🈁理低延迟的物理抓🇳🇺🎍取和精🚻细位移🇨🇼💛控制🈺🧫。
论文最重要的消🕓🔥融揭示： 随机♦初始化 🆚ViT🤷♀️-S 直接在🇫🇷📒 BADAS 监👹督信号🛅上训练 🦏🇵🇦→ A✉♠P 接近随机 👨🚒在 2🔬.25M 无标🥴🤖注 Nexar📫🇦🇺 视频上做 👻➗V-JE🅾PA 🤒风格的🇸🇬🇸🇭 masked🉑 feat🕶🇬🇸ure🚥🚉 pre🇼🇫diction 🐜🇫🇲→ +28🏪👩🚀.1 pp 🥑AP（达到接近生🕚产质量） 再加上🕸🐍从 ViT-L 🇦🇪教师的知识蒸馏 🥏➰→ 再🦵🙌 +1.0 pp✨😀 AP，同时 🔥FPR 从 2🛠0.6% 腰斩到🧖♀️🥼 9.1% ☔换句话说，领域🇬🇩自监督是 2🎛🇻🇪8 倍的🎧🇼🇸贡献，蒸馏是🦒💈 1 倍的贡🐱献📫🧝♂️。
