让不懂建站的用户快速建站，让会建站的提高建站效率！
一个（暂时）只作念具身大脑的公司，抛出了一个只须2.4B参数的具身模子。
目下行业风向标如Physical Intelligence的π 0合计约33亿参数，π 0.6的参数目也大要在50亿以上。
在一个以致连硬件形态都还没定型的行业里，2.4B参数到底够不够用？
这家公司给出的谜底是，够用。
况且足以撑持它及时处理三视角的728x728画面，推理延迟仅60毫秒；配合强化学习机制，它还能在真机上接续试错进化。
这即是具身智能创企原力灵机推出的首个具身原生模子家具DM0。
2.4B的轻量小蛋糕，RTX 5090就能跑。
因为从零考试以及对具身数采有不同于行业的看法等原因，该公司称它为"首个具身原生大模子"。
与模子同期发布的还有开源具身原生框架Dexbotic 2.0，以及具身原生量产责任流DFOL。
这具身软件三件套背后技艺阶梯的操盘手，是原力灵机合激动谈主、认真大模子的周而进。
他在AI圈早已名声在外。
周而进当今才33岁，但这东谈主仍是在AI边界出名13年了——
早在2013年，深度学习和东谈主工智能如故冷门的时候，大二的旷视实习生周而进就以一作身份，拿下了ICCV 2013的当然环境东谈主脸关键点定位比赛（300-W）工业界组冠军。
但这个听说东谈主物的出名比这个时期线更早。
他是信息学竞赛NOI、IOI金牌选手，初三就"保送"到了清华；行为清华的学生，他师从电子工程系长聘讲授、系主任汪玉。
其后行为旷视12号职工，他屡屡用算法软件拿下全球第一。
即是这样一位从AI 1.0期间走出来的少年天才，在客岁，他和同为旷视共事的范浩强、汪天才，创业具身智能。
其后前旷视联合首创东谈主唐文斌也参与其中，担任CEO。
周而进对咱们说，现时具身行业的主流具身模子决策，大多数是VLM+Action Head念念路。
也即是说，大模子认真识别和逻辑推理（比如看到雪柜里有牛奶），动作头认实在行（去握取牛奶）。
这种要领在目下行之有用，但它是一种外挂式决策。
原力灵机想追求一种具身原生阶梯，强调从数据鸠合范式、推理格局到末端结构，都应源自物理宇宙的反馈，而不是数字宇宙的派生模态。
也如实这样付诸实践了。
刚提到的模子DM0，就"从底层建模上就将感知、推理、末端整合为闭环，然后通过空间推理念念维链（Spatial CoT），内生出具身智能"。
DM0的中枢是通过多源、多任务、多机型考试来买通具身智能。
具体的考试经过，分为三个阶段。
第一阶段是VLM Train。
团队从零构建具身原生的多模态模子，将互联网、智驾和具身多传感数据相敬如宾，让模子天生就知道物理环境，炼就塌实的感知基本功。
第二阶段是VLA Pre-Train，周而进称之为"具身能力涌现的关键"，分为多任务、多机型考试和空间推理念念维链两条干线。
第三阶段是VLA Post-Train。这一步保留了针对特定欺诈场景的适配能力。
在RoboChallenge大边界真机评测中，DM0拿下了单任务和多任务双料第一。
这是原力灵机树立以来第一次成体系地发布具身技艺家具。
从和周而进的对谈里咱们发现，原力灵机从模子、器具链、量产责任流，方方面面都不停地在讲闭环、讲具身原生。
在咱们与周而进的此次深度对话中，他也围绕这些关键词给出了更详备的解读：
为什么要宝石从零考试而不是微调？
空间推理念念维链是若何匡助模子应付长程任务？
"全身全时全域"的数据采联合带来什么变化？
机器东谈主若何迟缓走向领有"社会身份"？
以及，为什么必须7×24小时跑起来？为什么要从物流来源作念具身？
……
诸如这些问题，在采访中都获取了回话。
（以下为对话实录。在不更变对谈者本东谈主本心的基础上，咱们作念了部分改削，以便捷阅读）
对话实录对于"具身原生"
量子位：灵机把此次发布的DM0叫作念"具身原生大模子"。原生不原生有什么区别？
周而进： 具身智能的中枢是构建感知-决策-实行的闭环智能。
在大讲话模子范式下，智能主要停留在信息处理层面，比如识别雪柜里有牛奶。
但具身智能不仅要看到牛奶，还要提起牛奶，找到出产日历，从而判断牛奶是否落后，完结从数字智能到物默默能的杰出。
量子位：DM0原生在那里？
周而进：有两个层面。
第一个是模子考试自己的来源从零来源。
但愿模子从出身的第一天来源，就仍是充分知道物理宇宙，而不是在一个仍是被无数互联网数据塑形过的模子上，后天再去补物理宇宙的东西。
物理宇宙在模子来源化阶段，会给到格外多格外丰富的反馈，这种反馈如果放到背面再学，本质上是很难补归来的。
互联网数据虽然很迫切，它带来了无数先验，但咱们的理念是，但愿模子在一来源就见过实在的空间相关、交互相关，知道东谈主与物理宇宙是若何对话的。
许多东谈主会以为，当今仍是有很强的通用大模子了，比如径直拿一个讲话模子行为基模，再往后堆一些具身数据，好像也能训出成果。
从工程上看，这条路是走得通的。但咱们会以为，这样的旅途在剖释法例上是有问题的。岂论是动物如故东谈主类，最早学会的都是动作，是对物理宇宙的响应能力，而讲话、详尽念念维反而是后天渐渐发展出来的。
一个不那么严谨的类比，你很难想象一个婴儿是先学会对话，再学会找奶瓶。
是以咱们认为具身模子也应该罢职类似的旅途，从一来源就围绕物理交互来构建，而不是在一个仍是在数字宇宙考试好的模子上去嫁接动作能力。
量子位：第二个原生的点呢？
周而进：第二个是数据的知道格局。
今天行业里对于具身数据若何采、用仿真如故真机，其实不及格外大。
仿真派和真机派之间争论了很久，但咱们一直以为用"仿真"如故"真机"来切分自己好奇瞻仰并不大，更像是在给我方贴标签。
咱们的看法是，今天你鸠合的所特殊据，本质上都是合成数据，仅仅合成进度不同辛苦。
在仿真器里，任务界说、物理反馈、物理章程，全部是东谈主为构造的，这是高度合成的数据；在实在宇宙里采数据，看起来瓶子是确凿、环境是确凿，但任务是不是你界说的？Task instruction是不是东谈主为设定的？物流场景里的活水线是不是东谈主假想的？
从这个角度看，它们本质上都处在一个合成光谱上。
咱们更和顺的不是用无谓仿真，而是应该把数据和算力投向那里。
咱们里面有一个比拟明确的判断，物理详情趣强的部分，用算力和仿真去惩处；语义婉曲、省略情趣高的部分，用实在数据去掩盖。
这亦然咱们为什么会认为从一来源就把"东谈主、数据、物理宇宙的交互形势"放进模子假想里格外迫切。
如果模子最早构兵到的即是这些东西，它在后续面对不同硬件、不同形态机器东谈主时，学到的是操作逻辑，而不是某一台机器的电机参数。
量子位：说到不同形态的机器东谈主，贵寓炫耀DM0的考试专门引申了不同内容的机器东谈主数据，目下是8种机器东谈主。
周而进：如果模子只见过少数几种机型，它很容易把"该若何完成一个任务"和"这台机器的关节要若何转"混在沿途。
举个例子，把水放到某个位置，模子实在应该知道的是伸手、转移、放弃这个动作序列，而不是某个关节需要转几许度。
就像东谈主开车相同，一个及格的司机不会因为换了一辆车就不会开了。
实在记取的是轨迹和操作逻辑，而不是处所盘的松紧进度。
从这个角度也很容易能知道具身原生是咱们的旅途聘用。
对于数据和高/低熵场景
量子位：DM0用的数据来源有3个，分别是互联网数据、智能辅助驾驶数据和具身智能数据。
周而进：具身模子不是只靠一种数据就能训出来的。
如果仿确凿物理引擎实足强，能模拟出实在宇宙的构兵力、摩擦力和碰撞反馈，那么仿真数据的价值就会极大提高。
但在目下的阶段，格外是波及到复杂的触觉和细小操作时，实在交互产生的硬核数据依然是不可替代的。
况且互联网数据、自驾数据、具身数据，这三类数据在模子里承担的变装是完全不同的。
互联网数据提供的是讲话和见地层面的详尽能力，它让模子知道"什么是什么"；自驾数据提供的是在洞开环境中应付长尾事件的训戒；而具身数据填补的是物理交互和构兵这一块，这是前两类数据完全无法掩盖的。
量子位：三者有固定的搀和比例吗？
周而进：莫得，笔据实验完毕动态调度。
当今具身数据如实相对少，但跟着鸠合边界的扩大，它的占比一定会快速飞腾。
量子位：其中哪种会是畴昔考试具身模子的主导类别？
周而进：咱们并不认为畴昔一定是某一种数据占十足主导。3类数据在不同阶段承担不同权重。
量子位：你们提到"熵在那里，数据就投向那里"，这句话若何知道？
周而进：不错知道为决定数据鸠合的关键变量是环境的可表情性与熵（省略情趣）。
最高效的要领一定是"粗略闭环的要领"。
如果数据采归来不可提高模子的泛化能力，或者采归来的全是类似的、低质料的动作，那仅仅在销耗算力。
咱们当今的政策是，先通过模子发现哪些任务是它干不好的，即"熵值高"的地方，然后针对性地去补那部分数据。
这就叫以需定采，让数据鸠合也具备反馈闭环。
环境章程明确的场景，数据即是计较的产物。咱们不错充分证明算力可扩张的上风，通过算力进功绩态空间的探索。
高熵场景充满不解的语义，东谈主类偏好，还有洞开宇宙的省略情趣。这种情况下数据即是训戒的映射，必须依赖实在交互，从各样训戒中归纳。
简便说，物理章程精真金不怕火详情的部分用算力生成数据，物理婉曲或语义婉曲的部分用真机鸠合，这样才能惩处长尾问题。
对于数据鸠合格局
量子位：你们的数据鸠合格局好像很独到，不单采具身机器东谈主的双臂动作。
周而进：咱们作念的是全身全域全时的鸠合。
量子位：什么是"全身全域全时"？
周而进：全身，指数据鸠合要包含底盘的转移、躯干的协调以及所有传感器的反馈。
具身智能是操作与导航的谐和，你不可把路走得好和手干得好阻隔来看，数据必须包含全身的协同。
全时强调的是数据的相连性和因果链。
数据鸠合不可只拍下某个须臾，要从意图产生、旅途狡计到动作实行，以致是中间出错、修正的全经过都纪录下来。
正常东谈主类对话，我问你"卫生间在哪"，你手一指，说"在那"。
这个经过中你讲了一个处所代词，又作念了一个肢体讲话。这些东西其实是咱们认为粗略跟东谈主永劫期，或者说24小时全时共处的一个机器东谈主他就应该具备的能力。
全域是空间域，相对其他两个，这个暂时如故一个畴昔狡计。
量子位：鸠合这种数据是一来源起点就这样，如故走了其它格局临了聘用了一种最work的？
周而进：咱们从一来源去作念数采的时候，就奔着要把全身的数据、全时期段的数据、全空间场景的数据都给掩盖了，其实即是奔着一个更通用的主见去作念。
都说具身智能具身智能，那东谈主类的全身的数据你是不是都应该采到？
如果我今天只作念桌面的双臂握取机器东谈主，你好像只须用双臂就行了。
但实在的东谈主类动作不单要双臂和双手的动作。经过中你可能要弯腰，你可能要蹲下；如果要把东西递出去，需要伸手……需要各样肢体讲话。
具身智能的数据不可只关注手部动作，应该要用全体性的、相连的来训。
量子位：这样呕精心血地鸠合，能带来什么成果呢？
周而进：全身全时全域的鸠合是为了应付物理宇宙的无尽长尾。
如果鸠合不够全面，模子就会堕入无尽打补丁的逆境。
对于新发布的具身三件套
量子位：此次除了DM0，你们还发布了一个开源的具身框架Dexbotic2.0，以及解锁具身欺诈量产责任流的DFOL。动作不少。
周而进：Dexbotic2.0是咱们联合RLinf沿途打造"具身智能边界的PyTorch"。
它采用模块化架构，视觉编码器、LLM模块、动作内行模块都不错像乐高相同目田组合。
咱们联合了清华、无问芯穹共建，主见是完结具身操作与导航、效法学习与强化学习的谐和。
DFOL则用来解锁具身欺诈量产责任流。
传统非标自动化领有极快的节拍和极高的详情趣，但天真性差，难以相宜平淡换线；东谈主工则具备极强的通用能力和高妙操作技能，然则遵守低、本钱高且雄厚性不及。
DFOL正处于这两者之间最有价值的责任区间，它依托相对通用的硬件，通过广泛的学习能力完结快速换线，以模子界说功能，并对复杂多变的输入具备极强的柔性相宜能力。
既能保持较高遵守与详情趣，又领有接近东谈主类的天真性和相宜性
咱们用三个目的评估它：
顺利率（接近100%的相连无故障功课）
动作质料（毫米级以致更高的定位精度）
节拍（即吞吐率，决定ROI）
对于具身模子的记念
量子位：DM0模子里面用到了空间推理念念维链（Spatial CoT），这和大讲话模子的推理念念维链（CoT）的本质区别是什么？
周而进：大讲话模子的CoT主如果一维的语义推理，具身智能濒临的挑战是三维的物理宇宙。
空间推理的推理中枢是"空间"，具备实在操作场景中的空间知道、时序组织与畅通末端能力。
面对"打理一下桌面"这种婉曲提醒，模子不是径直输迁徙作，而是先进行子任务意料与狡计，然后完成物体识别与精详情位。
它必须把视觉特征转换为精准的空间坐标和轨迹，这是一种空间维度的推演。
量子位：在纯文本大模子里，推理错了可能仅仅言三语四；但物理宇宙里的动作一朝出错，可能酿成损坏、危机或不可逆的后果。
周而进：对。是以空间推理念念维链通过"子任务-识别定位-2D轨迹-3D动作映射"的闭环，确保每一步推理都与物理现实对皆。
它模拟"介入宇宙"后的物理反馈，从而弥合感知与实行之间的断层。
这类空间推理是DM0模子的假想中枢。
量子位：空间推理念念维链能带来什么成果？
周而进：结合高分辨率的输入，他能让模子在毫米级精度的任务中（如工件摆放）识别微小的位置互异。
莫得这种层层递进的推理，模子无法学会物体左偏移2毫米意味着什么，但通过空间推理后就能计较并实行这种互异。
普通的CoT无法告诉你杯子向左偏移2毫米意味着什么，但Spatial CoT必须能计较并实行这种互异。
对于7x24运行
量子位：对于数据闭环、物理直观的形成，还有熵，你都在说"越早越好"。
周而进： 所有东谈主都知谈，机器东谈主要上岗要运行，但什么时候跑是一个很现实的问题。有的团队是先作念demo，先作念技艺，再推敲落地；咱们是反过来。
咱们一来源就想，这个东西必须7×24小时运行，越早跑起来越好。
只须实在跑起来，才有实在数据。
你的模子再明智，如果没特殊据回流，它恒久学不会实在场景中的问题；你考试里莫得的东西，只可靠在跑的时候补归来。
况且越早跑起来，工程的雄厚性问题越早泄露，你就能越早修。
今天demo作念得再好，一朝你要上岗7×24，你就会发现电源、收罗、录像头、支架，以致天气、光照，都会出问题。
量子位：原力灵机的模子仍是7x24在跑了吗？
周而进：咱们当今仍是在多个场面作念部署，不是demo式的部署，是7×24的实在运行。
哪怕刚来源顺利率不高，也要跑起来。
对于紧密操作
量子位：你们把工场里的物流场景是具身智能欺诈的迫切延迟。
周而进：是的。
量子位：为什么从物流作念起？
周而进：具身当今很难说脱离场景，一定得在一个比拟明确的场景底下来作念这件事情。
咱们今天作念物流有明确的产线，有明确的陡立料的逻辑。
在这个场景上头，先把该干的活干好，然后一步一步去拓展能力。
灵机在物流场景里作念了一个轮式双臂机器东谈主，专门用来作念物料分拣。物料分拣实践上格外复杂，物料有柔性的，有刚性的，摆放也很乱，即是在物料箱里浮松堆满。
要把这些物品一个一个分拣出来，有许多传统的要领，比如用吸盘。但问题是吸盘对于柔性材料，对于名义不光芒的物体不work，有各样各样的corner case。
在这样一个明确且受限的欺诈场景下，咱们的主见是探索能否让机器东谈主完结24小时不停止运行，逍遥实践需求。
量子位：若何知道"物流场景格外复杂"？光是听起来，莫得什么具体的体会。
周而进：许多时候民众会被一些大动作招引，比如能不可搬箱子、能不可排闼、能不可步碾儿。
但实在难的其实是紧密动作。
紧密动作不是说动作幅度小，而是说对相连情状变化的末端条款格外高。
比如一个工件的摆放，你肉眼看可能以为仍是放进去了，但对工业来说，差一两毫米即是失败。
这种事情如果仅仅拍视频是看不出来的，一朝确凿放到产线上，就会发现顺利率会格外快地掉下来。
量子位：若何让具身机器东谈主很好地完成这些紧密动作？
周而进：紧密动作的前提是紧密感知。
如果你的视觉输入分辨率不够，模子看到的宇宙自己即是婉曲的，那背面的推理和末端一定是漂的。许多时候模子它根底不知谈当今这个工件到底偏了几许。
是以咱们在模子假想时，会格外垂青高分辨率输入下的雄厚性，而不是只追求推理速率或者吞吐。
这又call back了咱们反复强调具身原生。其中一个很迫切的原因即是紧密动作没办法靠后期补。
如果模子在最早的考试阶段，从来莫得在高精度、高条款的物理反馈放学过动作，那背面你再加几许章程、加几许工程抵制，都会格外发愤。
对于落地场景
量子位：说说你们的落地场景吧。
周而捷：咱们挑选的是一个最门径化的场景，即是物流工东谈主坐在工位上头，在物料箱上头作念分拣；也有工东谈主是在作念物料箱的搬运，他要从这边的一个AGV把箱子提起来，然后塞到货架上头。
也有工东谈主在作念打包。比如你买了三瓶可乐，工东谈主要拿一个快递箱，里面还要垫一些防震的泡沫纸，临了打包好。
这仍是波及到一个东谈主在工场里面全身的动作：往返、蹲起、手部的聪慧操作……掩盖的场景格外丰富了。
不外事情要一步一步来惩处。咱们当今先解锁的如故聪慧握取的问题。
量子位：你们若何看待不同场景的优先级？为什么先作念物流，而不是一上来就作念家庭之类的其它场景？
周如进：家庭场景如实是让所有东谈主都格外更生的终局，但饭得一口一口吃。
咱们当今的政策是，最初选一个粗略比拟边界化、且具备高度可复制性的场景。
这种可复制性包含三个维度。
第一个是贸易模式的复制，能不可形成门径化的插足产出比（ROI）？
第二个是施工难度的末端，环境要相对可控，不会像家庭环境那样极点，复杂多变。
第三个是数据回流量复制， 这是最迫切的——咱们需要在一个场景里快速跑通闭环，让数据能成边界地回流，用来喂养模子。
量子位：为什么是这三个维度？
周而进：通过这些场景，咱们不错迟缓解锁三个中枢能力。
第一是模子的通用能力，第二是硬件的可靠性，第三是把供应链和本钱打下来。
如果径直进家庭，这三座大山很难同期翻畴昔。
量子位：不外你刚才提到，"家庭"是"梦想的终局场景"？你们的阶梯图是什么样的？
周而进：物流不仅有握取，还有无数的搬运和环境交互。
从物流来源，先作念一些专项能力的家具，进到仓储环境；等能力雄厚了，再迟缓推向ToB聚拢ToC的场景，比如门店的导流、导客、导购。
临了，当所有的技艺、本钱、安全性都经过海量考据后，再往最终的To C家庭处所去走。
这即是咱们说的先物流、后家庭，谨言慎行。
对于宇宙模子
量子位：DM0在假想中引入了具身空间建模机制，鉴戒了宇宙模子的范式。你们若何看待宇宙模子？
周而进：高阶宇宙模子被咱们视为提高模子泛化能力和处理复杂长程任务的中枢技艺撑持。
量子位：你们若何界说宇宙模子？
周而进：咱们对它的界说跟民众不太相同。
咱们不认为宇宙模子是一个全能的、能径直输出高质料政策的现实仿真器。咱们更倾向于它是一种模子内的宇宙知道格局，它的关键点是你有莫得办法在空虚行为作的前提下，推理出这个动作在现时环境下会带来什么完毕。
这个东西才是中枢。
如果你每作念一个动作都要试一下、都要采一次反馈，那太慢了。
宇宙模子的好奇瞻仰是让你在心中模拟一次完毕，然后挑最优的那条旅途去作念。
量子位：它不是让你径直输出完毕，而是让你学会若何模拟。
周而进：对。
咱们当今也在尝试让宇宙模子具备空间和时期上的脑补能力。
即是说，当它看到前几帧时，它能不可想象出接下来几帧会发生什么。或者说，如果我当今想作念一个动作，它能不可在实行之前，先意料这个动作在物理宇宙中可能发生的后果。
咱们也会跟DM0这样的具身模子作念结合，让宇宙模子的输出能对动作狡计起到补助作用，但不是说它能孤苦惩处所有问题。
更像是一个匡助你决策的inner loop，而不是一个全能planner。
对于终极主见与节律判断
量子位：除了落地家庭外，具身智能机器东谈主还有更远处的终极主见吗？
周而进：我以为具身智能最终一定会走向领有庸俗社会身份的阶段。
但这个经过一定是分阶段的。需要熏陶可靠的硬件形态，需要模子能用当然讲话与东谈主阿谀完成任务，也需要用户在感情上形成信任。
量子位：什么叫领有庸俗的社会身份？
周而进：咱们里面商量过一个很道理的见地，叫"机器东谈主领有我方的支付宝"。
机器东谈主去实行一个任务，比如去超市帮主东谈主买一瓶水，或者在园区里调用了另一个自动化开拓的作事时，它不错具备孤苦的支付和结算能力。
这种社会身份的建造，背后需要惩处的是机器东谈主的信用体系、支付体系以及株连回想体系。
畴昔的具身机器东谈主会像当今的智妙手机相同，是一个社会化接口。领有支付能力仅仅第一步，领有庸俗的社会身份才是它成为实在AGI的标识。
为什么是原力灵机来作念这件事？
量子位：早前旷视里面有问"why me"的文化。当今我方出来再创业，你以为为什么要来作念具身这件事？
周而进：第一个我以为是说，具身这件事，不是你简便的去踩点数据，或者把互联网上圈套今各样的数据整合一下就粗略作念出来的。
它波及到软件和硬件，尤其是它波及到海量的跟物理宇宙的交互。是以咱们以为最初你要有场景。
对咱们来说的话，物流其实即是一个格外好的场景。
举个例子，比如说在物流里面，你说分拣物料它耀眼，然则你真把机器东谈主搬进去，这背面有许多的事情——对接表层业务系统？加入具身机器东谈主后，你更变了通盘活水线的节律节拍，对吧？你如果东西掉地上了，你有兜底决策吗？
所有的这些东西，都是这个具身到底能不可进到这个场景里，从而带来所谓的数据飞轮的前提。
那如果你搞不定这些东西，那你今天只可去工场里面摆个拍个视频。
量子位：那为什么是你们这群东谈主来作念这件事？
周而进：其实看一家公司能不可成，中枢看这几个身分：模子能力、硬件能力、行业剖释和工程落地。
咱们团队的单干格外明确且闭环。
唐文斌是CEO，他不仅有极强的贸易敏感度，更迫切的是他能把这帮东谈主聚在沿途。
我和汪天才认真基模考试，咱们对大边界参数、多源数据混训有经久的实战训戒。
范浩强认真前沿算法探索和软硬件协同，这是最难的部分。
咱们这个组合不是临时凑的，是经过经久考据、有默契的组合。
One More Thing
周而进在AI边界真刀真枪作念了13年了。
当今遇上新一轮风口，他和昔日同伴们沿途再战具身智能。他说，民众老把AI期间永诀红AI 1.0和AI 2.0期间，听起来给东谈主一种割裂感。
但其实不是这样的。身处其中，你是能不雅察和嗅觉到技艺的发展的。
因为AI 1.0期间崭露头角的时候太过年青，是少年天才，以至于周而进和范浩强、汪天才等东谈主，放在这一波AI创业军队中来，还长短终年青。
咱们问他，你有什么提出给当今的年青东谈主吗？不管是搞信奥的如故搞AI的。
周而进颦蹙头想了两秒，遽然捧腹大笑：
年青东谈主才不可爱听提出呢！干就完了！
DM0技艺报告：
https://dexmal.com/DM0_Tech_Report.pdf
— 宽待AI家具从业者共建 —
📚「AI家具常识库」是量子位智库基于经久家具库跟踪和用户步履数据推出的飞书常识库，旨在成为AI行业从业者、投资者、说合者的中枢信息环节与决策补助平台。
一键关注 👇 点亮星标
科技前沿进展逐日见炒股配资门户网_实盘交易流程细节与规则说明
炒股配资门户网_实盘交易流程细节与规则说明提示：本文来自互联网，不代表本网站观点。
