这项由腾讯AI实验室的王正成、林子川、杨艺君、傅浩波、叶德恒等商酌东谈主员共同完成的商酌，发表于2024年12月的arXiv论文库，论文编号为arXiv:2512.02631v1。感爱慕的读者可以通过该编号查询完整论文内容。这项商酌措置了一个咱们日常生计中平日碰到的问题：何如让机器东谈主像东谈主类一样领路复杂的室内环境，并大要准确找到主义物品。
当你走进一个目生的房间，需要找到某样东西时，你的大脑会自动进行一系列复杂的操作。当先，你的眼睛会扫描通盘房间，识别多样物品和它们的位置相关。然后，你会蚁集别东谈主给你的指示（比如"去拿厨房里的锅"），在脑海中筹谋一条最好道路。终末，你会一步步迁徙，同期束缚诊治道路，直到找到主义。这个经过看似温存，但对机器东谈主来说却是一个广大的挑战。
现存的智能机器东谈主在推论这类导航任务时平日会犯三种装假，就像一个迷途的旅客一样昆仲无措。第一种是"看花了眼"的感知装假，机器东谈主可能会宣称看到了履行上不存在的物体，或者十足淡薄咫尺昭着存在的主义物品。第二种是"想歪了"的推理装假，即使机器东谈主正确识别了物体，它也可能搞错空间相关，明明主义在左边，却相持往右走。第三种是"走错了路"的筹谋装假，机器东谈主可能会取舍十足不成行的行为，比如试图穿过墙壁或撞向阻止物。
腾讯商酌团队开拓的SeeNav-Agent系统就像给机器东谈主配备了一副超等眼镜和一个智能导航助手。这个系统的中枢创新在于两个方面：当先是一套名为"双视角视觉领导"的技艺，让机器东谈主大要同期从第一东谈主称视角和俯视视角不雅察环境，就像东谈主类既能看到咫尺的征象，又能在脑海中构建通盘房间的平面图。其次是一种叫作念"方法奖励组战术优化"的训导方法，通过为机器东谈主的每一个正确动作赐与即时反馈，让它快速学会如安在复杂环境中作念出最好决策。
在履行测试中，这个系统的进展令东谈主印象深刻。使用GPT-4.1手脚中枢大脑的SeeNav-Agent，在导航凯旋率上达到了86.7%，比目前首先进的系统提高了整整20个百分点。更为伏击的是，经过非凡训导的Qwen2.5-VL-3B模子版块达到了72.3%的凯旋率，比之前最好的开源模子提高了5.6个百分点，并且在训导领路性、拘谨服从和泛化智商方面都进展出权臣上风。
一、机器东谈主导航的现实挑战：当AI迷失在室内空间
要领路这项商酌的伏击性，咱们不妨追思一下我方初度到访目生地方时的阅历。当你拿入部下手机导航在阛阓里寻找某家店铺时，即使GPS信号隐微，你一经大要通过不雅察周围的符号、店铺布局和东谈主流标的，蚁集导航领导找到目的地。这种看似舒缓的智商，背后履行上波及了复杂的视觉感知、空间推理和行为筹谋经过。
关于机器东谈主来说，室内导航濒临的挑战远比咱们想象的复杂。传统的机器东谈主导航系统平日将视觉感知、舆图构建、旅途筹谋等功能分离处理，就像让不同的群众分离崇敬看路、画舆图和筹谋道路，然后再把赶走勉强在沿路。这种方法在逸想环境下可能服务得可以，但在确实宇宙的复杂场景中，各个模块之间的信息传递和配合常常出现问题。
连年来，大型视觉讲话模子的出现为机器东谈主导航带来了新的可能性。这些模子就像领有了丰富常识和训戒的智能助手，大要同期处理视觉信息和讲话指示，并作念出相应的决策。可是，即使是这些先进的模子，在履行应用中也平日出现令东谈主困惑的装假。
商酌团队通过大量实验发现，基于大型视觉讲话模子的导航机器东谈主主要存在三大类问题。感知层面的问题就像东谈主出现幻觉一样，机器东谈主可能会"看到"房间里并不存在的椅子，或者十足"有目无睹"面前的桌子。推理层面的问题则进展为空间相关领路装假，比如明明需要向左转材干到达主义，机器东谈主却相持以为应该向右走。筹谋层面的问题最为直不雅，机器东谈主可能会作念出十足不对理的动作决策，比如试图穿越昭着的阻止物。
这些问题的根源在于现存模子在训导经过中主要构兵的是静态图像和文本刻画，阻遏对三维空间和动态环境的深入领路。就像一个只在册本上学过拍浮的东谈主短暂被扔进拍浮池一样，表面常识无法十足转动为履行操作智商。
二、双疼爱角的颖悟：让机器东谈主领有全景成见智商
腾讯商酌团队建议的措置决策的中枢理念可以用一个温存的譬如来领路：当咱们在一个复杂的地方寻找某样东西时，咱们不仅会用眼睛不雅察咫尺的征象，还会在脑海中构建一个举座的空间布局图。SeeNav-Agent的双视角视觉领导技艺恰是模拟了这种东谈主类的成见方式。
传统的机器东谈主导航系统平日只使用单一视角，要么是第一东谈主称视角（就像东谈主眼看到的征象），要么是俯视视角（就像从上往下看的舆图）。第一东谈主称视角大要提供丰富的物体细节和纹理信息，但难以主理举座的空间相关。俯视视角天然能清醒展示空间布局，但物体在这种视角下的口头常常与咱们日常成见中的表情别离很大，容易导致识别装假。
商酌团队的创新之处在于让机器东谈主同期使用这两种视角，就像给机器东谈主装了一对大要目田切换焦距的智能眼睛。更伏击的是，他们还假想了一套高明的视觉领导系统，匡助机器东谈主更好地领路和诓骗这些视觉信息。
这套视觉领导系统包含了几个关节组件，每个组件都有其特定的作用。领域框标注就像用红色框圈出伏击信息一样，匡助机器东谈主快速识别主义物体的位置。当东谈主类在复杂场景中寻找特定物品时，咱们的防护力会天然聚焦在关联区域，领域框标注为机器东谈主提供了类似的防护力衔尾机制。
导航路功能则模仿了游戏中小舆图的假想想路。在好多绽放宇宙游戏中，玩家可以在小舆图上看到从面前位置到主义位置的衔尾线，这条线匡助玩家在复杂的地形中保持正确的标的感。商酌团队在机器东谈主的视觉输入中也加入了类似的导航路，从机器东谈主面前位置指向主义物体，让机器东谈主大要直不雅地领路迁徙标的。
智能体符号是另一个伏击的创新。在俯视视图中，机器东谈主用一个带箭头的圆圈来示意我方的位置和朝向，圆圈的不齐心理区域符号傍边两侧，箭头指示前进标的。这种假想措置了机器东谈主在领路空间场所时平日出现的傍边欺凌问题。想象一下，当你在使用导航应用时，若是舆图上莫得明确深远你的朝向，你很容易搞错东南西北的标的。
动作投影技艺可能是通盘系统中最高明的部分。传统的机器东谈主需要从大量可能的动作中取舍最妥当的一个，这个经过就像在莫得任何领导的情况下意象正确谜底。动作投影技艺将所有可能的动作以箭头和编号的步地径直深远在图像上，将复杂的动作筹谋问题转念成了温存的取舍题。机器东谈主不再需要凭梦想象每个动作的后果，而是可以直不雅地看到每个动作对应的迁徙标的或视角变化。
视角对皆功能确保了两个视角之间的一致性。在俯视视图中，机器东谈主可能面向纵情标的，这会导致视角败落。商酌团队假想的对皆机制确保机器东谈主在俯视视图中永久朝朝上方，与第一东谈主称视角保持一致的标的感，就像确保舆图上的指南针永久指向正确的标的一样。
三、智能训导新方法：方法级奖励让学习更精确
若是说双视角视觉领导技艺是给机器东谈主配备了更好的"眼睛"，那么方法奖励组战术优化（SRGPO）便是为机器东谈主假想了更科学的"学习方法"。传统的机器东谈主训导就像训导只看最终收货，不管经过对错，这种方式在面对需要多方法完成的复杂任务时后果很差。
在传统的强化学习训导中，机器东谈主唯有在完成通盘导航任务后材干获取反馈：凯旋找到主义得1分，失败得0分。这就像让学生作念一谈复杂的数学题，只告诉他们最终谜底对错，而不指出哪一步规划出了问题。关于需要走几十步材干完成的导航任务来说，这种寥落的反馈信号让机器东谈主很难判断每个具体动作的锐利。
现存的一些鼎新方法尝试为每个方法假想奖励信号，但濒临着状态匹配的难题。比如GiGPO方法要求将多个轨迹中的相通状态进行分组比较，但在连气儿的导航环境中，十足相通的状态极其萧瑟，这就像要求在不同的训导中找出十足相通的题目一样坚苦。为了获取富有的相通状态，系统需要驱动大量的轨迹，规划本钱极高。
SRGPO方法的冲破性创新在于假想了一种"可考据的经过奖励"机制。这种奖励机制的中枢想想是基于导航任务的骨子特征：不管机器东谈主处于什么具体位置，只消它的动作能让我方更接近主义，或者能让主义重新参加视线，这个动作便是好的。这种奖励假想高明地绕过了状态匹配的难题，因为它不依赖于具体的环境状态，而是基于动作后果的精深性原则。
具体来说，这套奖励机制就像一个及时的导航老师。当机器东谈主推论一个动作后，系统会立即查验两个关节目的：机器东谈主是否离主义更近了，以及主义物体是否重新参加了视线。若是机器东谈主向正确标的迁徙，镌汰了与主义的距离，它会得到正面奖励。若是机器东谈主通过动弹视角让之前褪色的主义重新出目前画面中，雷同会获取奖励。违抗，若是机器东谈主尝试推论无效动作（比如撞到阻止物），就会受到刑事服务。
在具体的训导经过中，SRGPO聘用了一种高明的分组战术。传统方法需要将相通状态的方法分在一组进行比较，而SRGPO可以随行将不同轨迹中的纵情方法分组。这就像从不同班级随即登科学生构成学习小组，每个小组内的学生通过比较相互的进展来相互学习。由于奖励机制不依赖于具体状态，这种随即分组不仅可行，并且大大提高了训导服从。
商酌团队还假想了一个高明的双层上风算计方法。在群体层面，系统会比较不同轨迹的举座进展，就像评估不同学生的期末收货。在方法层面，系统会评估每个具体动作的质料，就像评估学生解题经过中每一步的正确性。最终的训导信号蚁集了这两个层面的信息，确保机器东谈主既能学会完成举座任务，又能掌持每个方法的最恋战术。
四、实验考据：从表面到实践的好意思满转动
为了考据SeeNav-Agent系统的灵验性，商酌团队在EmbodiedBench Navigation基准测试平台上进行了全面的实验评估。这个测试平台就像机器东谈主导航领域的顺次化训导，包含60个特有的室内导航任务，涵盖了多样复杂的场景和挑战。
在这个测试环境中，机器东谈主需要确认天然讲话指示（比如"去厨房找到面包"）在三维室内环境中导航到指定主义。环境的假想相配靠拢确实生计，包含多样居品、遮蔽品和日用品，机器东谈主需要在这些复杂的物品中准确识别主义，并筹谋合理的旅途到达目的地。凯旋的顺次是机器东谈主必须在王法步数内到达距离主义物体1米以内的位置。
测试赶走令东谈主印象深刻。使用GPT-4.1手脚基础模子的SeeNav-Agent在加入双视角视觉领导技艺后，导航凯旋率达到了86.7%，这比之前最好的闭源模子Claude-3.5-Sonnet的66.7%提高了整整20个百分点。这种鼎新幅度在东谈主工智能领域黑白常权臣的，非常于学生的训导收货从合格线擢升到了优秀水平。
更令东谈主粗野的是开源模子的进展。经过完整训导的Qwen2.5-VL-3B模子在使用SeeNav-Agent技艺后，凯旋率从正本的16.7%跃升至72.3%，擢升幅度特出55个百分点。这种戏剧性的鼎新解说了该技艺对不同领域和类型的模子都具有权臣的增强后果。
商酌团队还进行了翔实的组件分析实验，就像医师一一查验每个器官的功能一样。他们发现，只是添加双视角输入而不加入视觉领导模块，机器东谈主的进展履行上会下跌，这解说了视觉信息的正确处理和衔尾至关伏击。领域框标注、动作投影和视角对皆是最关节的三个组件，移除其中任何一个都会导致性能权臣下跌。
在训导方法的比较中，SRGPO展现出了昭着的上风。与传统的GRPO和GiGPO方法比较，SRGPO不仅拘谨速率更快，训导经过也愈加领路。在训导弧线图中，SRGPO的性能擢升呈现平滑高潮趋势，而其他方划定进展出较大的波动性。这种领路性对履行应用来说至关伏击，因为它意味着系统的进展更可斟酌，训导本钱也更低。
为了进一步考据系统的泛化智商，商酌团队还在全新的环境中进行了测试。他们从AI2-THOR场景库中取舍了60个全新的室内场景，这些场景在训导经过中从未出现过。即使在这种严格的泛化测试中，使用SRGPO训导的模子仍然保持了优异的性能，解说了该方法学到的不是温存的场景缅想，而是信得过的导航战术和空间领路智商。
商酌团队还展示了一个具体的案例分析，清醒地诠释了视觉领导技艺的作用机制。在这个案例中，机器东谈主需要寻找房间中的保障箱，但主义物体暂时不在视线范围内。普通的GPT-4.1模子出现了典型的幻觉征象，装假地宣称能看到保障箱，并试图上前迁徙，赶走撞到了阻止物。而配备了双视角视觉领导的版块大要正确识别主义不在视线中的情况，通过导航路的指引判断出需要向右动弹视角，最终凯旋找到主义。
五、技艺细节的深度剖析：让AI信得过领路空间
在SeeNav-Agent系统的技艺兑现中，有好多小巧的假想值得深入探讨。通盘系统的输入处理机制就像一个精密的信息处理工场，将复杂的多模态输入转念成机器东谈主大要领路和处理的口头。
系统的状态空间界说相配精确。在每个时候步，机器东谈主的输入状态包含四个中枢组件：天然讲话指示、东谈主类给出的行为战术、面前环境的视觉不雅测，以及夙昔几步的行为历史。这种假想确保了机器东谈主大要同期洽商任务主义、战术带领、面前气象和历史训戒，就像东谈主类在导航时会概述洽商这些要素一样。
动作历史的假想尤其高明。系统保留最近5步的行为纪录，包括每个动作的具体内容和环境的反馈信息。这种短期缅想机制匡助机器东谈主幸免近似装假，比如若是某个标的的迁徙刚刚失败，机器东谈主就不会立即近似尝试。同期，这种缅想窗口的长度经过用心调遣，既能提供富有的坎坷文信息，又不会让系统承担过重的规划包袱。
双视角图像的交融处理聘用了温存而灵验的拼接战术。系统将俯视视图和第一东谈主称视图水平拼接成一张图像，然后输入到视觉讲话模子中。这种看似温存的处理方式履行上充分诓骗了当代视觉讲话模子强盛的多区域领路智商，让模子大要天然地关联两个视角中的信息。
在视觉领导的具体兑现中，每个组件都有精确的参数缔造。领域框使用留意的红色绘图，确保在复杂布景中仍然清醒可见。导航路聘用从机器东谈主位置指向主义的直线箭头，在第一东谈主称视图中开始设在画面底部中央，在俯视视图中开始则是机器东谈主的中心位置。动作投影使用蓝色箭头和清醒的数字符号，确保机器东谈主大要准确关联每个箭头与对应的动作编号。
SRGPO算法的兑现包含了好多技艺细节。经过奖励的规划基于精确的几何规划，系统会及时规划机器东谈主与主义之间的欧几里得距离，以及主义物体在面前视线中的可见性。奖励函数的假想洽商了动作的灵验性，无效动作会受到0.1的刑事服务，这个数值经过大量实验调遣得出。
在分组战术的兑现中，系统使用随即采样来构建方法级的比较组。每个组包含16个随即取舍的方法，这个组大小在规划服从和统计可靠性之间取得了精深的均衡。上风规划使用顺次的顺次化方法，确保不同组之间的比较具有可比性。
训导经过中的超参数缔造经过用心调遣。学习率、批处理大小、训导轮数等关节参数都通过大量的消融实验笃定。在域内训导中，系统训导150轮，在域外训导中训导100轮，这些数字反馈了不同场景下拘谨所需的时候。
系统还包含了多种安全机制和装假处理战术。当机器东谈主连气儿推论无效动作时，系统会自动触发探索战术，荧惑机器东谈主尝试旋转视角或编削迁徙标的。最大步数死一火确保每个任务不会无穷期驱动，为履行应用提供了可靠的隔断条款。
六、对比分析：为什么SeeNav-Agent独占鳌头
要信得过领路SeeNav-Agent的价值，咱们需要将它与现存的其他方法进行翔实比较。在机器东谈主导航领域，目前主要有三类措置决策，每类都有其特定的上风和局限性。
第一类是传统的模块化导航系统。这类系统就像一个单干明确的工场活水线，将导航任务领悟为多个孤独的模块：感知模块崇敬识别环境中的物体和阻止物，建图模块崇敬构建环境的空间示意，筹谋模块崇敬规划从面前位置到主义位置的最优旅途，适度模块崇敬推论具体的迁徙动作。这种方法的优点是每个模块都可以孤独优化，技艺相对熟练。但问题在于模块之间的信息传递常常存在亏蚀，并且难以处理动态变化的环境。
第二类是基于端到端深度学习的方法。这类系统试图用一个神经收集径直从原始传感器输入映射到适度输出，就像训导一个能径直开车的AI司机。这种方法的上风是大要学习到复杂的感知-动作映射相关，但舛误是阻遏可解释性，并且需要大量的训导数据。
第三类是基于大型讲话模子的方法。这是最近兴起的商酌标的，诓骗预训导的视觉讲话模子来领路环境和指示，然后输出相应的动作。这类方法的上风是大要处理天然讲话指示，具有较好的泛化智商，但在空间推理和历久筹谋方面存在昭着不及。
SeeNav-Agent高明地蚁集了这些方法的上风，同期幸免了它们的主要舛误。与传统模块化方法比较，SeeNav-Agent使用长入的视觉讲话模子处理所有信息，幸免了模块间信息传递的亏蚀。与端到端深度学习方法比较，SeeNav-Agent的决策经过愈加透明，通过视觉领导和结构化输出，咱们可以明晰地了解系统的推理经过。与现存的基于大型讲话模子的方法比较，SeeNav-Agent通过双视角输入和经过奖励机制权臣增强了空间领路和历久筹谋智商。
在具体的性能比较中，SeeNav-Agent在多个关节目的上都进展出色。在凯旋率方面，它权臣超越了所有对比方法。在训导服从方面，SRGPO算法比现存的强化学习方法拘谨更快，需要的规划资源更少。在领路性方面，SeeNav-Agent的训导经过进展出更好的一致性，减少了随即性对最终性能的影响。
极端值得防护的是，SeeNav-Agent在不同领域的模子上都进展出了一致的鼎新后果。不管是使用大型的GPT-4.1模子，如故相对较小的Qwen2.5-VL-3B模子，该方法都能带来权臣的性能擢升。这种一致性标明，该方法的中枢想想具有精深适用性，不依赖于特定模子的具体架构。
在泛化智商的测试中，SeeNav-Agent也进展出了昭着的上风。当在十足未见过的环境中测试时，该系统仍能保持较高的性能水平，这标明它学到的是通用的导航战术，而不是对特定环境的缅想。
七、履行应用出路：从实验室到现实宇宙
SeeNav-Agent技艺的凯旋不单是是学术上的冲破，更伏击的是它为履行应用开辟了无边的出路。这项技艺的潜在应用领域相配平常，从家庭服务机器东谈主到工业自动化，从医疗照顾到物发配送，都可能因此而发生翻新性的变化。
在家庭服务领域，配备了SeeNav-Agent技艺的机器东谈主可以成为信得过有用的家庭助手。想象一下，你只需要对机器东谈主说"去厨房帮我拿一下盐"，它就能准确领路指示，在复杂的厨房环境中找到调料架，识别出盐罐，并安全地将其取回。这种天然的东谈主机交互方式将大大禁止机器东谈主的使用门槛，让更多普通家庭大要享受到智能化服务的便利。
在营业环境中，这项技艺可以权臣擢升服务机器东谈主的实用性。在大型超市或购物中心，导购机器东谈主可以衔尾顾主找到特定的商品，即使在货架布局平日变化的情况下也能准确导航。在栈房行业，机器东谈主可以为宾客提供客房服务，在复杂的走廊和楼层中准确找到主义房间。
医疗照顾领域亦然一个伏击的应用标的。在病院或养老院中，配备了这项技艺的机器东谈主可以匡助运输医疗用品、药物和文献，减弱照顾东谈主员的服务包袱。极端是在需要严格消毒的环境中，机器东谈主可以承担一些近似性的运载任务，禁止东谈主员感染的风险。
工业自动化是另一个具有广大后劲的应用领域。在大型仓库或工场中，智能机器东谈主可以确认语音指示或笔墨诠释，在复杂的存储环境中快速找到特定的零件或产品。这种无邪的导航智商可以权臣提高物流服从，减少东谈主工操作的装假。
关于有非凡需求的东谈主群，这项技艺也具有伏击的社会价值。视觉阻止者可以通过语音与机器东谈主交流，让机器东谈主匡助寻找家中的物品或协助完成日常任务。行为未便的老年东谈主也可以借助机器东谈主的匡助，在不依赖家东谈主的情况下获取所需的物品。
天然，要将实验室的技艺转动为履行可用的产品，还需要措置好多工程挑战。当先是规划资源的优化问题。目前的系统主要依赖大型的云霄模子，但在履行应用中，机器东谈主需要具备一定的土产货处贤达商，以应答收集延续不领路的情况。商酌团队正在探索模子压缩和边际规划的措置决策，但愿在保持性能的同期禁止规划需求。
安全性和可靠性是另一个关节洽商要素。在履行应用中，机器东谈主必须大要处理多样只怕情况，比如短暂出现的阻止物、光照变化、或者指示的歧义性。系统需要具备富有的鲁棒性，在面对这些挑战时仍能作念出安全和合理的决策。
本钱适度亦然推论应用的伏击要素。天然目前的技艺考据主要使用高端的传感器和规划修复，但在营业化经过中需要洽商如安在保证性能的前提下跌低硬件本钱，使普通销耗者大要承受。
隐秘保护是另一个不成淡薄的问题。家用机器东谈主会构兵到用户的私东谈主空间和日常生计信息，何如确保这些数据的安全和隐秘保护，需要在技艺假想和法例制定层面都赐与充分洽商。
说到底，SeeNav-Agent技艺代表了东谈主工智能在领路和导航物理宇宙方面的伏击特出。它不仅措置了现存技艺的一些关节死一火，更为将来的智能机器东谈主应用奠定了坚实的基础。跟着技艺的束缚完善和本钱的冉冉禁止，咱们多情理深信，在不远的将来，具备类东谈主导航智商的智能机器东谈主将成为咱们生计中不成或缺的伙伴。
这项商酌的爱慕远远超出了技艺自己。它展示了何如通过深入领路东谈主类成见经过来鼎新东谈主工智能系统，这种以东谈主为中心的假想理念将为将来的AI发展提供伏击的带领想想。更伏击的是，它解说了学术商酌和履行应用之间的距离正在镌汰，咱们正在见证东谈主工智能从实验室走向现实宇宙的关节时刻。
Q&A
Q1：什么是SeeNav-Agent的双视角视觉领导技艺？
A：双视角视觉领导技艺就像给机器东谈主配备了一对超等眼镜，让它能同期从第一东谈主称视角和俯视视角不雅察环境。系统还会在图像中添加红色领域框标出主义物体、用导航路指示标的、用彩色符号深远机器东谈主位置，并将所有可能的动作以蓝色箭头步地投影到图像上，让机器东谈主能更准确地领路空间相关和作念出导航决策。
Q2：SRGPO训导方法比传统方法好在那处？
A：SRGPO最大的创新是为机器东谈主的每个动作方法都提供即时反馈，就像有个老师在足下随时带领。传统方法只在职务终端时给出凯旋或失败的赶走，而SRGPO会立即告诉机器东谈主"这一步走得好，离主义更近了"或"这个转向让主义重新出现了"。这种密集的反馈让机器东谈主学习更快、训导更领路，就像学开车时有老师及时带领比只看最终训导赶走要灵验得多。
Q3：SeeNav-Agent在履行测试中进展何如？
A：测试赶走非常impressive。使用GPT-4.1的版块达到了86.7%的导航凯旋率，比之前最好的系统提高了20个百分点。更伏击的是，即使是较小的Qwen2.5-VL-3B模子也达到了72.3%的凯旋率，比正本擢升了55个百分点。这意味着这项技艺不仅在顶级模子上灵验，在普通领域的模子上也能带来权臣鼎新，为履行应用提供了更多可能性。