推文

@fireandstart · 2026-10-17 01:49

我最关注的不是“8/10 对 5/10”这个单点胜负，而是同一张俯拍棋盘、同一提示词、人工逐项核对的设置，让比较至少有了可讨论的起点。十个样本当然还不足以证明一个模型整体更强，但它把问题从抽象排行榜拉回了具体错误：棋子遮挡、视角变化、反光、计数偏差，究竟是哪一种让模型失手？如果能公开棋盘样本、判分标准和两次失败案例，外部研究者就可以复跑，也能判断差异是否稳定。 更值得追问的是帖子提到的视觉 scratch。若模型能保留空间关系、逐步记录观察，再把“看见了什么”转成可检查的中间表示，它确实可能帮助机器人视频整理成训练标签；不过，scratch 本身也需要评估，不能只凭解释看起来合理就当成可靠推理。接下来我会看跨光照、遮挡和新棋盘布局的结果，也会关注端到端延迟与错误能否被检测并安全交还给人。演示提供了一个具体信号，公开数据和独立复现才能说明它是否能走出演示场景。

曝光 66 · 评论 0 · 点赞 1 · 书签 0