网易首页 > 网易号 > 正文 申请入驻

对话蚂蚁灵波沈宇军:Fable 5.2 都能拧瓶盖了,机器人为什么还需要自己的模型?

0
分享至


因为一个 Fable 5.2 在演示中控机械臂拧开瓶盖的视频,通用模型和具身的关系又引起了行业的热议。

通用大模型会直接吃掉具身智能吗?当通用模型越来越强,机器人为什么还需要自己的模型?

11 月 11 日,蚂蚁灵波首席科学家沈宇军发表文章回应:

两天后,Founder Park 与沈宇军做了一次深入对话,围绕「超配」与「刚刚好」的能力取舍、什么数据才配得上规模化,以及底座更替下什么壁垒不会贬值,拆解了灵波对「具身原生」的笃定从何而来:

「不能脱离成本光谈技术可行性。拿别的领域的工具干机器人的活,结果永远是要么超配,要么错配。」

「未来一年内,具身智能的技术路线很有可能会迎来第一波小的收敛,留在牌桌上的和往后撤的会迅速分化。」

以下是 Founder Park 与沈宇军的对话,经编辑整理。

⬆️关注 Founder Park,最及时最干货的创业分享

01

造全能模型,在商业上算不过来账

Founder Park:最近GPT-6 Astra和Claude Fable 5.2接连展现出处理机器人任务的能力,行业里很多人开始讨论「通用大模型会不会吃掉具身智能」。站在您的视角,未来机器人的能力里,哪些可以靠通用大模型解决,哪些依然必须靠具身模型自己来解?

沈宇军:凡是跟物理世界直接发生交互的问题,肯定还是要靠具身来解决。

但在这个问题上,我觉得要先澄清一件事:我们不能做任何绝对的判断,说通用大模型有什么东西是「一定做不了」的。

过去几年大模型其实证明了一件事,只要不断扩大参数量,你就可以把好几个不同的任务都训到同一个模型里。那具身要解决的问题,最后能不能也塞进通用大模型里去?从纯技术角度,我们不能说它一定做不了。

但现在真正的问题是:它的成本到底划不划得来?

我们不能单纯探讨技术可行性,因为技术可行性背后还跟着商业成本。我们到底是为了技术信仰,去花1000个亿做一个既能解决数字世界问题、又能解决具身问题的超级模型,还是花两个100亿,分别做两个模型?如果回归到商业逻辑上,最后肯定是这么一道算术题。

Founder Park:如果有人觉得,哪怕通用大模型参数很大,也可以先把物理世界的数据灌进去训好,再专门为机器人蒸馏出一个小模型来用呢?这条路和直接做具身模型会是竞争关系吗?

沈宇军:即便大模型厂商下场做这件事,不管他是蒸馏还是用别的方式,他一定要解决跟物理世界实时交互的问题。

只要做这一层,有些东西就是谁也绕不开的,最典型的就是数据。比如触觉数据、深度数据,这些偏现实世界采集的数据,大模型厂商要做机器人也得采。怎么把触觉数据采得更好、理解得更好、处理得更好,他也必须走一遍这个过程。

唯一的区别在于:这些物理数据理解并处理好之后,我是先把它放到 Fable 里面,训完再专门为机器人蒸馏一个小的出来,还是我直接从头做一个具身模型?

这两条路回到最后,还是成本问题。

如果为了把触觉、深度这些东西先做到 Fable 里面,可能要让 Fable 的参数量再扩大一倍。

既然大家中间要解决的数据理解问题是一模一样的,我专门做这一件事就能解,他非要多花上百亿去包揽进来,这明显是算不过来账的。

Founder Park:除了算力成本这笔经济账,从真实物理世界的作业要求来看,直接拿数字世界的通用大模型来控机器人,会遇到什么硬伤?

沈宇军:就算那个特别大的模型能解具身的问题,它也不是最适合具身的,因为它太慢了。

就像特斯拉的 FSD 一样,具身智能面对的是现实世界,而在现实世界中,时间是永远不会停止的,它一直在流逝。

数字世界的绝大部分交互任务是回合制的。你给模型一个问题,等它推理处理完,你基于它的结果再跟它进行下一步对话。但这个前提在现实世界里根本不存在,我们不可能跟机器人说「给你派个活,现在时间停下来,你先慢慢想,想完再干」。

机器人在干活的同时,还要持续接收新的指令,而且必须对各种突发状况给出及时的反应。

举个很简单的例子:假如机器人手里拿了一杯水,突然这个水杯打滑了,马上就要从手里脱手掉下去。如果这时候靠通用大模型,它说「你等等,我先推理一下现在该怎么弄」,那等你推理完的这个过程里,水杯已经掉地上了。

虽然现在数字世界也有了所谓「双工」模型,能支持一边输出一边推理的并行交互,但那还仅限于语言部分,其他物理模态的实时流式处理还没有解决。

再比如物理交互里的感知误差和接触反馈。现实中没有 100% 零误差的传感器,机器人必须从带误差的数据里理解环境。而且接触中的细微变化,只靠视觉轨迹和语言描述是表达不完整的。就像拧瓶盖,成功拧开和手指打滑,在视频里手部运动轨迹可能十分接近,但接触受力的变化完全不同。


LingBot 的拧瓶盖演示

现在通用大模型展示出来的很多机器人能力,要么是在实验室环境下,要么是在仿真环境里,跟真正让机器人在现实世界中干活的场景有千差万别。不管是从商业账还是从执行效率看,哪怕是 Fable 或者 Astra,真要在现实世界控机器人,下面也一定得有一层专门为机器人设计的模型。

02

「不大不小,刚刚好」:
端侧是云端的Draft Model

Founder Park:您在文章里专门提到了一个词,说机器人需要的模型应该「不大不小,刚刚好」。怎么理解这里的「大」和「小」?边界在哪里?

沈宇军:这里说的大小不是单纯指参数规模,而是指能力配置。

先说什么是「不能小」。凡是扎根在现实物理世界中必须要解决的问题,能力一定不能有短板。

一块是对偏现实世界的物理模态理解,比如触觉、距离等等。因为机器人涉及到跟真实物体的交互,要求足够精准。换句话说,端侧物理操作是绝对不能有「幻觉」的,一旦做错了就会造成实质性的物理破坏。我们团队做 LingBot-Depth、LingBot-Touch,就是为了让机器人看得更清楚、摸得更灵敏。

另一块不能小的,就是刚才说的流式信息实时处理能力。信息源源不断地来,模型必须源源不断地处理、源源不断地执行,没有回合制的等待时间。

那什么是「不能大」?

机器人模型最终要部署在端侧,端侧的硬件算力是有限的。假如端侧一共就只有 1 亿的参数量,那我肯定希望这 1 亿参数量完全是为机器人设计的。我没有必要再给它增加几亿的参数量,去把 Coding 做好、把文生图做好、把视频生成做好,这些能力对机器人干活几乎没有帮助。

在有限的算力下,我们希望它的每一次计算,都是为了让机器人执行好动作。没必要去给它提供超出执行动作所需的冗余能力,这叫「不超配」。

Founder Park:如果强调「不能大」,把非必要能力砍掉,会不会让外界担心它在跨场景的泛化性上有损失?变成一个只能干单一场景特定任务的模型?

沈宇军:不会,因为泛化本身就是操作能力的一部分,所以负责泛化的这部分参数是绝对不能省的。

我们不希望去为某一个具体场景专门做一个死板的模型。那种做法可能短期内成本更低,但长期来看上限也更低。灵波还是希望做一个通用的具身基础模型,我们很看重跨任务、跨场景的泛化性。

Founder Park:这其实有点像今年上半年出来的Jev决策模型,绝大多数日常交互不需要调用那么高智商、思考那么久的大脑。在你们的规划里,机器人端侧模型和云端通用大模型是怎么分工协同的?

沈宇军:这个类比还是比较有意思的。用大模型里的概念打个比方,机器人需要有一个自己的「Draft Model」。

System 1 其实就是 System 2 的 Draft Model。在现实场景里,70% 到 80% 的任务不用经过再往上一层的复杂推理了,端侧自己的 Policy 就能直接执行、直接解决;当端侧解决不好,或者遇到更复杂的长程任务时,再往上一层求助 System 2。

而且端侧模型之所以必不可少,除了执行要快,还因为很多真实作业场景里没办法要求网络永远通畅。一旦遇到网络延迟甚至断网,为了安全性,机器人作为一个独立的产品,本身就必须具备独立解决问题的能力。

反过来,云端那个模型同样不可或缺。它除了帮机器人做更长程的任务规划之外,还有一个巨大的价值:帮助机器人去连接数字世界的智能体(Agent)服务。

我们可以设想未来一个很典型的场景:你跟家里的机器人说「我饿了」。

「我饿了」这件事,会先由云端的大模型接过去,调用数字世界的服务帮你点一份外卖。点外卖本身是个纯数字世界的服务,不可能靠机器人端侧的动作模型去完成。等外卖送到家门口了,机器人端侧模型再接手其中一环,帮你把外卖从门口拿到桌子上,再帮你把包装打开。

所以云端拓展了具身之外的数字场景能力,端侧闭环了物理世界的真实操作,两边加起来是 1+1>2 的协同关系。

Founder Park:我看到灵波最近也做了一些把自家模型和通用大模型结合的尝试,比如分配具体任务或研发流程,这块目前在内部是什么定位?

沈宇军:那属于 Harness(系统编排与工具调用)层面的探索。之前行业里也有人拿 Astra 跟 π 结合去做一些任务,说白了就是把我们的具身模型当成通用大模型可以调用的一个工具(Tool Call),直接去调。

这件事在灵波内部目前属于实验阶段,我们也想看看云端的 System 2 和端侧的 System 1 到底怎么结合得更好,磨合出那个最适合的边界。但现在行业最需要的,是把机器人先送到真实世界中工作,也就是让system 1先可用。

03

大脑有可能通用,但身体不存在通用

Founder Park:刚才聊了「刚刚好」的能力配置,如果再往底层走一步,灵波一直强调的「具身原生」,跟行业里其他玩家走的技术路线最本质的区别是什么?

沈宇军:具身是一个新的行业、新的场景,面临着一批全新的物理世界难题。大家更习惯的做法是:拿数字世界里现成的工具,看看能不能改一改来解具身的问题。

这种事在行业里已经发生过好几次了。比如拿多模态大模型去解具身问题,就出了 VLA(视觉语言动作模型);拿视频生成模型去解具身问题,就出现了 WAM(世界动作模型)。

我还是那个观点:VLA 和世界模型都不会是终局。拿已有的工具去解具身问题,可能现在看起来解得还行,但不代表长期来看它就是最合适的。

如果具身只是一个垂类的下游应用,拿现成工具凑合一下我觉得还可以;但如果具身是一个完全独立的全新产业,那长期来看它就必须要有自己的原生工具。

开发原生工具,就意味着要直面物理世界的硬骨头,这些问题是我们硬着头皮也必须解的。你今天为了图快选择一条路绕开它,只是短期绕开了,早晚有一天还是要回来解这个问题。

所以「具身原生」就是一个正向开发的过程:我先从机器人作业的需求出发,看它到底需要什么工具。它需要触觉,我就做触觉建模;它需要深度,我就做深度建模。只有从工具诞生的第一刻起就是为机器人设计的,才能保证它既不超配、也不错配,做到真正的「刚刚好」。

Founder Park:从正向开发的角度看,具身原生是不是意味着大脑模型需要跟硬件本体强耦合?您怎么看「做大脑」和「做硬件本体」之间的关系?

沈宇军:恰恰相反,从一开始我们就没有奔着跟单一硬件强耦合去做。

灵波的定位是一家平台公司。作为平台公司,我们是不区分硬件的,换句话说,我们希望市面上所有的机器人硬件都能用我们的模型。

为什么会有这样的定位?因为我们有一个核心判断:大脑有可能可以通用,但是身体(本体)不太可能通用。

为什么不存在通用的本体?因为不同场景对物理身体的要求是冲突的:有些场景需要本体运动速度极快,有些场景需要负载特别大;有些场景必须用轮式,因为平地效率高;有些场景必须用腿足,因为现场有台阶。

行业里有人会反驳说:「人不是就可以适配所有场景吗?」

没那么简单,人也有高矮胖瘦,并不是每一个活所有人都能干。

而且,就算真的不计代价去造一个跟人一样全能的通用本体,马上又会撞上成本墙。为了做一个通用本体,我花 1000 万把所有零部件都用上最精密的规格,能不能做出来?也许可以。但 1000 万造出来的东西怎么卖呢?

我们只是让机器人去干个活,不需要造一个德智体美劳方方面面都满分的「全能博士」去解决所有任务。所有技术最后都要回归到商业逻辑上,账算得过来才能可持续,不能光凭理想主义追求一个全能身体却不管付出了多少代价。

Founder Park:如果端侧的硬件本体五花八门,有轮式的、双足的,灵巧手和传感器也各不相同,灵波怎么保证自己训出来的具身模型能在这些完全不同的硬件上通用?

沈宇军:这套路线在灵波内部很清晰,核心就是在输入端和输出端各做一层「跨平台隔离」。

先看输入端,最核心的就是传感器。我们是从传感器表征开始往下做的,比如 LingBot-Depth 和 LingBot-Touch,我们在模型架构设计的第一天起,就把传感器这一层做成了跨平台的,直接把不同品牌、不同物理传感器之间的差异在底层屏蔽掉了。


(图说:LingBot-Touch 作为抽象的中间层,可以适配不同的触觉传感原理和动作模型)

再看输出端,也就是控制末端的执行器。我们在采集训练数据的时候,本身就是跨了很多种不同构型去采的,涵盖了各种各样的机械臂和末端形态。

这样一来,输入端我支持各种各样的传感器输入,输出端我又能控制各种各样形态的末端执行器。把输入和输出这两头都通过抽象隔离固定下来之后,中间的基座模型天然就是一个跨硬件、跨平台的通用模型了。

04

具身还在「GPT-1阶段」,还没到谈Scaling Law的时候

Founder Park:如果把具身智能模型放到大语言模型的发展坐标里对比,您觉得现在具身模型到了哪个阶段?还没有收敛到「GPT-3时刻」吧?

沈宇军:现在大概还在「GPT-1 阶段」。

就像当年 GPT-1 的时候,Google 有自己的思路,OpenAI 有自己的思路,大家还在摸索到底是继续调大参数、调大数据量,还是在架构上做别的探索,行业路线完全没有收敛。

Founder Park:路线没收敛在数据层面的投射是什么?现在行业里大家很喜欢晒自己采了多少万小时的真机数据,对于「什么是高质量的具身数据」,行业有共识吗?

沈宇军:目前还没有共识。

为什么没有共识?因为物理世界数据的维度太多了。比如有些人觉得 Depth(深度信息)有用,有些人觉得 Depth 没用;有些人觉得操作精度要采到毫米级别,有些人觉得厘米级别就够了;有些人觉得一定要有触觉,有些人觉得不要触觉也行。每一家都有自己的想法,归根结底是因为大家对模型的理解还没有达成共识。

但也是因为这样,灵波对数据这件事有一个很明确的观点:在没有找到一条正确的Scale up方式之前,谈Scaling Law是对资源的极大浪费。

这就好比我想要去挖金矿,但我还没有探准那个金子到底埋在哪儿、还没弄明白该往哪个方向挖,我就雇了一大帮人开始猛猛挖。其实你挖得越久,对资源的浪费就越大,除非你运气特别好,闭着眼睛一下就赌准了。但具身智能毕竟是个科学和工程问题,不是纯靠赌。

Founder Park:为什么说现在还没找到正确的Scale up方式?今年下半年大家不都已经从「谈数据量」转向「谈数据质量」了吗?

沈宇军:是,现在越来越多人都开始关注数据质量,说「数据质量越高越好」。

但问题是:什么叫「越高越好」?高到多少才算高?

今天你把数据做成这个水平,明天永远可以花更多钱把它做得更高。但我们是不是无休止地把数据质量往高了做,对模型就真的越有价值?

其实不是的。因为你把数据质量做得越高,采集成本和难度就越大,就一定越不好 Scale up ;可反过来,如果数据质量做得很差,模型消费起来又没有增益。

就拿拧瓶盖或者复杂装配来说,如果采集的数据只记下了「手怎么动」,却没有保留传感器误差信息、没有记录接触受力的细微变化和动作纠正过程,那采再多也没用;可如果要把所有物理维度都按最高精度采下来,成本又会失控。

所以大家玩数据,真正核心的Know-how是找到那个「平衡点」:到底数据到达什么样的标准时,模型拿它训练既有明显增益,成本又可控,同时还容易Scale up。

而且,「优化哪些维度、优化到什么程度就不用再往上堆了」,这个平衡点需要由模型在训练反馈中给出。至少在灵波,我们一直在琢磨这个平衡点,目前只能说看到了一些曙光,但整个行业还没人敢说已经找到了最正确的 Scale up 方式。

Founder Park:那大概到什么信号出现的时候,我们能判断具身模型和数据标准开始收敛了?

沈宇军:当大家开始给数据「做减法」的时候,就是在收敛了。

最开始谁也没把握的时候,大家一定觉得什么数据都有用,恨不得把所有维度都塞进去。等你什么都有了之后,在模型训练的过程中,你就会开始试着把某些东西删掉看看行不行。

试着试着发现:「诶,把这个删掉模型效果也行。」当你开始做减法的时候,不同数据维度的真实贡献度就慢慢摸清了。模型收敛一个比较直接的体现,就是数据开始做减法、数据标准开始收敛。不然大家永远只会喊「质量越高越好」这种没法落地的口号。

05

底座不断更替,
infra层的资产能真正留下来

Founder Park:既然现在还在GPT-1阶段,模型路线和数据维度都在动态变化,那具身团队今天投入大量精力积累的什么东西,在未来底座更新换代时不会作废、能真正沉淀为长期的公司资产?

沈宇军:如果只按某一种单点的数据类型来说,现在确实很难打包票说囤积哪批数据未来一定保值。

比如你说「触觉数据是不是一定有价值」?不一定,假如你现在采的这批触觉数据精度没达到某个临界水平,它未来可能就没有价值。或者你说「Ego 数据、UMI 数据是不是一定有价值」?也不一定,究竟什么样规格的 UMI 数据积累下来才有用,标准都是在动态调整的。

但有两样东西沉淀下来,长期一定是有价值的。

第一样是围绕物理世界真实需求抽象出来的感知表征与工具链。

就像我们这次开源的 LingBot-Touch,因为不管是我们自己的 LingBot-VLA,还是像外部的 π0.5 这类动作模型,只要机器人要在物理世界里做精细的接触操作,就都需要理解触觉和力反馈。把不同传感器记录的接触信号训练成可复用的触觉表征能力,即便以后动作底座不断升级更替,这套物理感知经验依然能被下一代机器人继续调用。


第二样,也是更核心的公司资产,是你在积累数据过程中沉淀下来的那套能够让数据快速流转的Infra。

模型本身是不是资产?数据本身是不是资产?都是。但一家具身基模公司更核心的资产,应该是它的 Infra 资产。

因为你搭好了这套从数据采集、清洗、筛选到训练验证的高效管线之后,不管未来半年、一年行业技术路线怎么变,也不管数据的维度怎么加减、量级怎么往上扩,这套 Infra 基建永远能帮你以最快的速度适应新路线,把规模化跑起来。

Founder Park:在训练侧的Infra和参数规模上,具身模型也会像语言大模型那样,从训300B到训2T,对基建提出越来越高的挑战吗?

沈宇军:这里要分两个维度看:一个是部署侧,一个是训练侧。

从部署侧看,端侧模型的参数量一定会被当前硬件的算力卡死,太大了推理效率跟不上,但训练出来的大模型是可以被蒸馏到端侧去的。

从训练侧看,随着你找到正确的 Scale up 方向、数据量真正涨上去之后,为了把那么多数据吃透,几亿参数的模型肯定就不够用了,训练侧的参数量就必须跟着往大扩。

至于工程基建,它一定是随着你解决问题的复杂度变高,一点点往上迭代的。我们现在不会去空想规划一套训 10T 模型的 Infra,而是满足当下需求再往上多预留一点;等真正看到规模化爆发趋势的那一刻,工程上自然会跟上更高的要求。毕竟,伟大肯定不是被提前规划出来的。

06

未来一年迎来第一波收敛,大部分公司要下牌桌了

Founder Park:您在文章最后提到,灵波选择从机器人应用出发打造「刚刚好」的工具,跟特斯拉选择开发FSD是类似的商业逻辑。但如果对比特斯拉,车没有自动驾驶也能被人类司机开上路收集数据,机器人如果一开始模型不够强、干不了活,怎么把数据飞轮转起来?

沈宇军:你点到了一个很关键的矛盾。

车和机器人确实不一样。车没有自动驾驶,人可以直接坐进去开,特斯拉是通过这种方式先把车铺到路上,再把数据收回来的。但机器人如果不能自己作业,那它放在现场就真的一点用都没有;可要让它能自己作业,前提又需要具备一定的模型能力。这就变成了一个「先有鸡还是先有蛋」的问题。

怎么解这个死结?中短期唯一的方法,就是先找到现在模型能力跳一跳能够得着的场景,通过「通用底座+后训练(Post-training)+配套工具链」,让机器人先去现实世界里干上活。

这里我特别想强调一点:到了具体作业场景,后训练(Post-training)一定是必需的。

现在很喜欢讲所谓的「Zero-shot(零样本直接泛化)」。Zero-shot 拿来证明一下模型能力完全没问题,但不能把「能做」跟「做好」、「适合做」混为一谈。

打个比方,我现在去找一家物流公司,说:「你看我这个机器人,开箱即用,直接摆在你们场地里就能帮你抓包裹。」

即便真能抓起来,但对物流公司来说,在成功率和效率的商业账算过来之间,他肯定不会买。

所以在通用具身底座之上,一方面到了具体场景一定要做后训练,去保它的成功率和作业效率;另一方面,我们作为平台公司,必须提供一套完整的配套工具链,把大家使用和微调具身模型的成本降下来。

先在工业上下料、拆垛、线束整理、物流分拣这几个行业有共识的场景里,让机器人真正上岗干活,在工作的过程中才能更好地发现模型真正的能力不足,毕竟我们不可能在实验室里穷举完所有真实部署环境下的意外。

Founder Park:最后一个问题。如果站在今天往后看,您觉得当前具身智能行业最被「低估」和最被「高估」的事情分别是什么?

沈宇军:最被低估的,我感觉还是对「数据理解」的重要性。

数据绝不是只看多少万小时的量,你必须对模型有深度理解,才能提出具体的数据需求。采了多少万小时,很容易统计。更难的是说清楚,为了让机器人把一个动作做好,我们到底需要采什么。在这件事上,行业明显把数据想简单了、低估了。

另外,我觉得是行业把具身路线收敛的周期想得过于漫长、过于复杂了。

我自己的判断是:在未来一年内,具身智能的技术路线就会迎来第一波小的收敛。

当然,我说的一年内收敛,还不至于一步跨到大语言模型的「GPT-3 时刻」,更不是说未来十年的终极技术路线都在这一年锁死了。具身的发展一定是「发散—收敛—干上两三年遇到新问题—再发散—再收敛」的波浪式过程。但针对当下的核心问题,行业在不远的将来就会在模型路线和数据标准上形成第一波共识。

行业的分化,会随着这一波技术路线的收敛很快到来。可能有人觉得还早,但我觉得,真的不会太久了。

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
NPC“房玄龄”王泽回应离开大唐不夜城:面对大量游客,觉得离角色越来越远

NPC“房玄龄”王泽回应离开大唐不夜城:面对大量游客,觉得离角色越来越远

娱乐嗑学家.
2026-11-08 11:37:18
欧洲断供一年多, 中国芯片厂宣布: 从研发到制造, 整条链完成国产化!

欧洲断供一年多, 中国芯片厂宣布: 从研发到制造, 整条链完成国产化!

揽星戈
2026-11-16 01:49:05
新一轮冷空气又来?封开即将降温又降雨

新一轮冷空气又来?封开即将降温又降雨

新浪财经
2026-11-16 17:33:26
10万人逼宫英伟达,黄仁勋要复职了?

10万人逼宫英伟达,黄仁勋要复职了?

大猫财经Pro
2026-11-16 13:02:39
中国首富张一鸣建议公司员工,不要住在城乡结合部,应该全部住在北京市区,哪怕房子小点,省下的时间可以健身读书看电影!

中国首富张一鸣建议公司员工,不要住在城乡结合部,应该全部住在北京市区,哪怕房子小点,省下的时间可以健身读书看电影!

财经要参
2026-11-09 12:00:05
最容易和异性发生关系的女人,大多有这两个特征,很准

最容易和异性发生关系的女人,大多有这两个特征,很准

皓皓情感说
2026-11-16 07:52:58
专机还没落地!日本又发难,高市突然喊话美韩,一起逼中国就范

专机还没落地!日本又发难,高市突然喊话美韩,一起逼中国就范

关权教授聊经济
2026-11-15 21:38:07
多国联军发动空袭

多国联军发动空袭

陆弃
2026-11-16 11:02:24
演员童瑶发文告别

演员童瑶发文告别

背包旅行
2026-10-16 11:55:16
宋庆龄一辈子没有生养,1981年法医对她的遗体进行解剖检查,这才揭开了她心底最痛苦的隐情

宋庆龄一辈子没有生养,1981年法医对她的遗体进行解剖检查,这才揭开了她心底最痛苦的隐情

扶苏聊历史
2026-11-12 18:31:31
经济越差,这3个行业反而越赚钱:日本萧条30年,早就给出好答案

经济越差,这3个行业反而越赚钱:日本萧条30年,早就给出好答案

白色得季节
2026-10-30 18:29:39
又是马院:多名女生举报该院原院长性骚扰

又是马院:多名女生举报该院原院长性骚扰

卉姐
2026-11-15 08:55:46
今年的退休金还涨不涨?我打了12333问过,实际情况原来是这样

今年的退休金还涨不涨?我打了12333问过,实际情况原来是这样

笑熬浆糊111
2026-10-28 06:00:28
刘欢与膀胱癌斗争14年,早期治疗卓有成效,但五年后复发;医生:膀胱癌每一次复发都会加重病情,吸烟是首要高危因素

刘欢与膀胱癌斗争14年,早期治疗卓有成效,但五年后复发;医生:膀胱癌每一次复发都会加重病情,吸烟是首要高危因素

都市快报橙柿互动
2026-11-13 14:37:46
央视镜头下,殷桃的“真实颜值”,治好了我的容貌焦虑

央视镜头下,殷桃的“真实颜值”,治好了我的容貌焦虑

娱乐圈十三太保
2026-11-13 15:56:34
1995年九华山一尼姑绝食7天圆寂,坐缸3年后开缸:女性特征全无

1995年九华山一尼姑绝食7天圆寂,坐缸3年后开缸:女性特征全无

芊芊子吟
2026-11-16 06:50:19
开始动真格!追溯30年倒查来了,这4类人要当心!

开始动真格!追溯30年倒查来了,这4类人要当心!

职场资深秘书
2026-11-15 11:28:50
又一名电诈头目落网!这回更让人震惊,竟然不是大家熟悉的缅北

又一名电诈头目落网!这回更让人震惊,竟然不是大家熟悉的缅北

人生录
2026-11-02 09:08:26
中国为何害怕打仗?事实上怕的不是战争,而是怕老百姓再过苦日子

中国为何害怕打仗?事实上怕的不是战争,而是怕老百姓再过苦日子

鲸探所长
2026-11-12 10:01:00
张家齐妈妈是北京拆迁户:张家齐妈妈生下她之后就没工作过,一条金项链,锁在抽屉里,张家齐到现在还没有见到实物。

张家齐妈妈是北京拆迁户:张家齐妈妈生下她之后就没工作过,一条金项链,锁在抽屉里,张家齐到现在还没有见到实物。

毒舌八卦
2026-11-15 22:31:28
2026-11-16 18:15:00
FounderPark incentive-icons
FounderPark
关注AI创业,专注和创业者聊真问题
1323文章数 163关注度
往期回顾 全部

科技要闻

历史头一回!马斯克用"筷子"夹住太空飞船

头条要闻

上任2个月尤尼斯在街头遭暗杀身亡 知情人:被以"斩首"

头条要闻

上任2个月尤尼斯在街头遭暗杀身亡 知情人:被以"斩首"

体育要闻

NBA开赛最大惊喜,是他们?

娱乐要闻

陈晓楠对话厉娜和许飞引全网热议

财经要闻

10万人逼宫英伟达,黄仁勋要复职了?

汽车要闻

更豪华更好开 问界新M8细节升级见真章

态度原创

游戏
艺术
本地
家居
数码

传《GTA6》主线约50个小时 全成就大约200个小时

艺术要闻

漫天香氛,秋风醉人~杭州的秋天从不让人失望!13个地方,秒出大片!

本地新闻

乌兰察布:以前种土豆,现在种Token

家居要闻

2026建博会(广州) 公装联探展交流活动

数码要闻

满电开躁!11月16日,航嘉满电青年计划约你西南交大见!

无障碍浏览 进入关怀版