* 核心逻辑：能看到的人数 = 弹出的矮个子数量（count） + （栈顶有更高的人则+1，否则+0）
刘年丰：操作的核心是操作对象，但以前的主流模型太关注全局信息。我们的思路是：通过多个二维热力图，把要操作的对象位置自适应地学习出来，让模型意识到什么是最需要响应的操作对象。
，这一点在爱思助手下载最新版本中也有详细论述
Израиль нанес удар по Ирану09:28
问题在于，具身智能没有大模型那样的数据体量去覆盖所有光照变化。但换个思路，如果模型能关注局部信息——比如只锁定每瓶水的外观特征，而不关心背景、光线、桌子颜色——就能避免被全局变化干扰。这正是我们做“热力图”的出发点：让模型聚焦操作对象本身，而不是整个画面。