具身智能与VLA

具身智能通用性评估：从零样本迁移到跨机体泛化

2026-09-02 约 15 分钟阅读作者：越微智能 Yuewell

「具身智能落地实战」系列第 14 篇
前几篇我们拆解了具身机器人的硬件、算法、控制、长尾场景等。但有一个根本问题决定了具身智能的价值——通用性。一个只能在特定环境、特定任务、特定机器人上工作的系统，价值有限；一个能在不同环境、不同任务、不同机器人上通用的系统，才是真正的「具身智能」。本文拆解通用性的三个维度、零样本/少样本/跨机体泛化、以及评估指标和基准。

引言：为什么「通用性」是具身智能的核心指标

传统工业机器人的价值在于「专用」——为特定任务（焊接、喷涂、装配）专门设计，在特定环境（流水线）中高速、高精度地工作。这种「专用」模式在大批量、固定流程的工业生产中非常高效，但它的局限性也很明显：

换一个任务就要重新开发——从焊接换成装配，可能需要换机器人、换末端执行器、重新编程、重新调试
换一个环境就要重新适配——从工厂 A 的流水线换到工厂 B 的流水线，可能需要重新标定、重新建图、重新调参
换一个机器人就要从头来——从品牌 A 的机器人换成品牌 B 的机器人，所有算法和程序可能都要重写

这种「专用」模式导致机器人的开发和部署成本高、周期长、灵活性差，难以适应多品种、小批量、变化快的生产需求。

具身智能的核心价值，就是打破这种「专用」模式，实现「通用」——一个系统能在不同环境、不同任务、不同机器人上工作，不需要为每个场景重新开发。

通用性为什么重要？

降低成本：通用系统不需要为每个场景重新开发，大幅降低开发和部署成本
提升灵活性：通用系统能快速适应新任务、新环境，响应变化快
规模效应：通用系统可以大规模部署，研发成本被摊薄，性价比高
数据飞轮（系列第 11 篇）：通用系统在更多场景中收集更多数据，数据更多→算法更强→通用性更好，形成正反馈
真正的「智能」：通用性是智能的核心特征——人类的智能就是通用的，能在不同环境中学习不同任务

但通用性也是具身智能最难的目标。目前的具身智能系统，通用性还很有限——大多数系统只能在特定环境、特定任务上工作，换一个场景就可能失效。如何评估和提升通用性，是当前具身智能研究和工程的核心问题。

本文就来拆解具身智能通用性的三个维度、零样本/少样本/跨机体泛化、以及评估指标和基准。

一、通用性的三个维度

具身智能的通用性可以从三个维度来衡量：物体通用性、环境通用性、任务通用性。

1.1 物体通用性

什么是物体通用性？

机器人能否处理训练中没见过的新物体？比如，训练时只见过圆形杯子，能否抓取方形杯子？训练时只见过苹果，能否抓取橙子？

物体通用性的挑战：

物体形状、大小、材质、颜色千变万化
新物体可能有训练中没见过的特征（透明、反光、柔性、不规则形状）
抓取和操作策略需要根据物体特征自适应调整
长尾物体（系列第 13 篇）种类无限，不可能在训练中覆盖所有物体

物体通用性的层次：

同类别泛化：训练见过同类物体的一些实例，能处理同类的新实例（比如训练见过一些杯子，能抓新的杯子）
跨类别泛化：训练见过一些类别的物体，能处理没见过的新类别（比如训练见过杯子和瓶子，能抓没见过的碗）
开放词汇泛化：能用自然语言描述任意物体，能处理语言描述的新物体（比如「拿那个红色的方形物体」）

1.2 环境通用性

什么是环境通用性？

机器人能否在训练中没见过的新环境中工作？比如，训练时只在实验室环境中导航，能否在家庭、办公室、工厂中导航？

环境通用性的挑战：

环境的几何结构、光照条件、地面材质、障碍物分布千变万化
新环境可能有训练中没见过的特征（楼梯、斜坡、狭窄通道、动态人群）
非结构化环境（系列第 10 篇）充满不确定性
环境的长尾场景（系列第 13 篇）无限多

环境通用性的层次：

同场景泛化：训练在同一场景的不同位置/时间，能在同一场景的新位置/新时间工作
跨场景泛化：训练在一些场景，能在没见过的新场景工作（比如训练在实验室，能在办公室工作）
跨域泛化：训练在仿真环境，能在真实环境工作（Sim-to-Real，系列第 4 篇）；训练在室内，能在室外工作

1.3 任务通用性

什么是任务通用性？

机器人能否完成训练中没见过的新任务？比如，训练时只会抓取和放置，能否完成「把杯子里的水倒进碗里」这样的新任务？

任务通用性的挑战：

任务的种类无限多——抓取、放置、推拉、旋转、插入、拧、按、擦、叠、穿……
新任务可能需要多步骤操作、工具使用、因果推理
任务的描述方式多样——自然语言、演示、目标状态
长时序任务需要规划和记忆，错误会累积

任务通用性的层次：

同任务泛化：训练做过同一任务的一些变体，能做新的变体（比如训练在不同位置抓杯子，能在新位置抓）
跨任务泛化：训练做过一些任务，能做没见过的新任务（比如训练会抓取和放置，会「把 A 放到 B 上面」）
组合泛化：训练做过一些基本操作，能组合这些操作完成复杂的新任务（比如训练会抓、会移、会放，能「把杯子从桌子上拿到架子上」）
开放任务泛化：能用自然语言描述任意任务，能完成语言描述的新任务

1.4 三个维度的关系

物体、环境、任务三个维度不是孤立的，而是相互交织、相互影响的：

物体通用性影响任务通用性——能处理更多物体，就能完成更多任务
环境通用性影响物体和任务通用性——在更多环境中工作，就能遇到更多物体、完成更多任务
任务通用性需要物体和环境通用性支撑——完成新任务通常需要处理新物体、适应新环境

真正的通用具身智能，需要在三个维度上都有强泛化能力。目前的系统大多只能在一个或两个维度上有一定泛化能力，三个维度都强通用的系统还不存在。

工程视角： 对于做具身智能落地的团队，不需要一开始就追求「全维度通用」，而应该根据目标场景，优先提升最相关的维度：
- 如果目标是工业抓取（固定环境、固定任务、物体多样），优先提升物体通用性
- 如果目标是移动机器人（固定任务、固定物体、环境多样），优先提升环境通用性
- 如果目标是通用操作机器人（固定环境、固定物体、任务多样），优先提升任务通用性
- 如果目标是家庭通用机器人（三个维度都多样），那就需要三个维度都提升，难度最大，也是长期目标
从一个维度的通用性突破，逐步扩展到更多维度，是更务实的落地路径。

二、泛化能力的三个层次

通用性的核心是「泛化能力」——在没见过的新情况中工作的能力。泛化能力可以分为三个层次：零样本迁移、少样本学习、跨机体泛化。

2.1 零样本迁移（Zero-Shot Transfer）

什么是零样本迁移？

机器人在没有任何新场景的示例或训练的情况下，直接在新场景中工作。也就是说，训练时完全没见过这个场景，但部署后直接就能工作，不需要任何额外的训练或微调。

零样本迁移的价值：

部署成本为零：不需要为新场景收集数据、训练模型，部署即用
响应速度快：遇到新场景立即就能工作，不需要等待训练
真正的通用：零样本能力是通用性的最高体现——能处理完全没见过的情况

零样本迁移的挑战：

非常难——大多数机器学习模型在没见过的场景中性能会急剧下降
需要模型学到「本质特征」而不是「表面特征」——只有学到了任务的本质，才能在新场景中泛化
大规模预训练是关键——只有在大规模、多样化的数据上预训练，模型才能学到足够通用的表示
VLA 大模型（系列第 2 篇）是零样本迁移的主要技术路径——大模型在大规模数据上预训练，具备零样本泛化能力

零样本迁移的典型应用：

VLA 大模型用自然语言指令完成没见过的新任务
视觉检测模型检测没见过的新物体类别（开放词汇检测）
导航模型在没见过的新环境中导航（零样本导航）

2.2 少样本学习（Few-Shot Learning）

什么是少样本学习？

机器人在新场景中，只需要少量（几个到几十个）示例或演示，就能快速适应新场景。不需要像传统方法那样需要成百上千个样本。

少样本学习的价值：

部署成本低：只需要少量示例，收集成本低
适应速度快：少量样本就能快速微调，几分钟到几小时就能适应新场景
实用性强：零样本虽然理想但很难，少样本是更务实的选择——大多数场景用少量示例就能达到可用性能

少样本学习的挑战：

过拟合风险——少量样本容易过拟合，泛化能力差
需要好的预训练初始化——只有在大规模预训练的基础上，少样本微调才能有效
样本选择很重要——选择哪些示例作为少样本，对最终性能影响很大
元学习（Meta Learning）是关键技术——训练模型「学会学习」，让模型能用少量样本快速适应新任务

少样本学习的典型方法：

微调（Fine-tuning）：在预训练模型基础上，用少量新场景数据微调
提示学习（Prompt Learning）：不修改模型参数，只修改输入提示，用少量示例引导模型
元学习（Meta Learning）：训练模型快速适应新任务的能力（如 MAML、Prototypical Networks）
演示学习（Learning from Demonstration）：用少量人类演示作为示例，让机器人快速学习新任务
上下文学习（In-Context Learning）：大模型的能力——在输入上下文中给几个示例，模型就能理解任务，不需要修改参数

少样本学习的典型应用：

工业机器人用少量示教快速学习新抓取任务
VLA 大模型用几个示例理解新操作任务
导航机器人用少量地图数据快速适应新环境

2.3 跨机体泛化（Cross-Embodiment Generalization）

什么是跨机体泛化？

在一种机器人上训练的算法，能否直接（或经过少量适配）迁移到另一种不同的机器人上？比如，在宇树机器狗上训练的运动控制策略，能否迁移到智元人形机器人上？

跨机体泛化的价值：

降低开发成本：不需要为每种机器人重新开发算法，一次开发，多机通用
加速部署：新机器人上市时，可以直接复用已有算法，快速具备能力
生态效应：形成通用的算法生态，不同厂商的机器人都能使用
数据共享：不同机器人收集的数据可以共享，联合训练，加速数据飞轮（系列第 11 篇）

跨机体泛化的挑战：

机体差异巨大：不同机器人的自由度、运动学、动力学、传感器配置、执行器都不同
动作空间不同：机器狗的动作空间（关节角度）和人形机器人的动作空间完全不同
感知空间不同：不同机器人的传感器位置、类型、参数不同，感知数据不同
Sim-to-Real 的升级版（系列第 4 篇）：不仅是仿真到真实的差距，还有不同真实机器人之间的差距
需要「机体无关」的表示：只有学到了与具体机体无关的通用表示，才能跨机体泛化

跨机体泛化的技术路径：

通用策略表示：学习与具体机体无关的通用策略表示（如末端位姿、任务空间动作），然后针对不同机体做运动学映射
迁移学习：在一种机器人上预训练，然后迁移到新机器人，用少量数据微调
元学习：训练模型快速适应新机体的能力
多机体联合训练：在多种机器人的数据上联合训练，让模型学到通用能力
统一的动作接口：定义统一的、机体无关的动作接口（如「移动到位置 X」「抓取物体 Y」），不同机体实现各自的运动控制

跨机体泛化的典型案例：

Open X-Embodiment 数据集：收集了 20+ 种机器人的数据，联合训练通用策略
RT-2、Octo 等 VLA 大模型：在多种机器人数据上训练，具备一定跨机体泛化能力
通用运动控制策略：在多种四足机器人上联合训练，能迁移到新机器狗

2.4 三个层次的关系

零样本、少样本、跨机体不是并列的，而是不同维度的泛化能力：

零样本 vs 少样本是「适应成本」维度——零样本不需要任何额外数据，少样本需要少量数据
跨机体是「迁移对象」维度——从一种机器人迁移到另一种机器人

它们可以组合：

零样本跨机体迁移：在 A 机器人上训练，直接在 B 机器人上工作，不需要任何数据
少样本跨机体迁移：在 A 机器人上训练，用少量 B 机器人的数据微调，就能在 B 上工作

目前的技术水平，少样本迁移已经比较实用，零样本迁移还很有限，跨机体泛化还在研究阶段。

三、通用性的评估指标

要提升通用性，首先要能评估通用性。以下是常用的评估指标。

3.1 成功率（Success Rate）

定义： 机器人在一组任务中成功完成的比例。

计算方式： 成功率 = 成功完成的任务数 / 总任务数 × 100%

为什么重要：

最直观的性能指标——成功率越高，机器人能力越强
工业应用对成功率要求高——99% 甚至 99.9% 才可用
可以在不同场景、不同任务上分别计算成功率，评估泛化能力

评估通用性的用法：

在训练场景（分布内）和新场景（分布外）分别计算成功率，对比两者差距——差距越小，泛化能力越强
在多种物体、环境、任务上计算平均成功率，平均成功率越高，通用性越强
计算「最差场景成功率」——在所有测试场景中，成功率最低的那个场景的成功率，反映系统的「短板」

注意事项：

成功率的定义要明确——什么算「成功」？（比如抓取任务，物体被拿起算成功？还是要放到指定位置？）
测试集要足够多样化——如果测试集和训练集太像，成功率高不代表通用性强
要报告标准差和置信区间——少量测试的成功率可能有随机性

3.2 干预率（Intervention Rate）

定义： 机器人在完成任务过程中，需要人类干预（帮助、纠正、重启）的比例。

计算方式： 干预率 = 需要人类干预的任务数 / 总任务数 × 100%

为什么重要：

反映机器人的自主能力——干预率越低，机器人越自主，越不需要人盯着
比成功率更严格——有些任务虽然最终成功了，但中间需要人干预，这在实际应用中是不可接受的
直接关系到运营成本——干预率高意味着需要更多人值守，人力成本高

评估通用性的用法：

在新场景中计算干预率——干预率低说明机器人在新场景中也能自主工作，泛化能力强
计算「平均干预次数」——每个任务平均需要多少次干预，反映问题的严重程度
分析干预原因——是感知问题？规划问题？控制问题？针对性优化

工业应用中的干预率要求：

高度自动化场景：干预率 < 1%（100 次任务中少于 1 次需要干预）
半自动化场景：干预率 < 5%
人机协作场景：干预率可以高一些，但需要明确的人机分工

3.3 其他评估指标

1. 任务完成时间（Task Completion Time）

机器人完成任务所需的平均时间
反映效率——时间越短，效率越高
通用性评估：在新场景中完成时间是否显著增加？如果增加很多，说明泛化能力差

2. 路径长度/运动效率（Path Length / Motion Efficiency）

机器人完成任务的实际路径长度与最优路径长度的比值
反映运动规划的质量——比值越接近 1，运动越高效
通用性评估：在新场景中运动效率是否下降？

3. 能耗（Energy Consumption）

完成任务的平均能耗
反映运动控制的质量和效率
对电池供电的机器人尤其重要——能耗低意味着续航长

4. 故障率/崩溃率（Failure Rate / Crash Rate）

机器人在任务过程中发生故障（摔倒、卡住、程序崩溃、传感器异常）的比例
反映系统的稳定性和鲁棒性
通用性评估：在新场景中故障率是否升高？

5. 适应时间（Adaptation Time）

机器人适应新场景所需的时间（对于少样本学习）
反映少样本学习的效率——适应时间越短，部署越快

6. 数据效率（Data Efficiency）

达到一定性能所需的训练数据量
反映学习效率——数据效率越高，越容易适应新场景
少样本学习的核心指标

3.4 评估指标的选择

不同的应用场景，关注的指标不同：

场景	核心指标	次要指标
工业制造	成功率、干预率、故障率	完成时间、能耗
仓储物流	成功率、完成时间、干预率	路径效率、能耗
家庭服务	成功率、干预率、故障率	完成时间、用户满意度
巡检安防	故障率、续航、覆盖率	成功率、完成时间
研究评估	零样本/少样本性能、跨机体性能	所有指标

在实际评估中，应该选择 2-3 个核心指标，辅以几个次要指标，全面但不繁琐地评估通用性。

四、通用性评估基准（Benchmark）

要客观评估通用性，需要标准化的评估基准。以下是具身智能领域常用的评估基准。

4.1 仿真评估基准

仿真基准的优势是可重复、低成本、可大规模测试，劣势是与真实有差距（Sim-to-Real）。

1. 操作任务基准

MetaWorld：50 个操作任务的仿真基准，评估机器人操作策略的泛化能力
RoboSuite：基于 MuJoCo 的机器人操作基准，包含多个操作任务
ManiSkill：SAPIEN 平台的操作基准，支持多种机器人和任务
CALVIN：长时序操作任务基准，评估组合泛化能力
RLBench：基于 CoppeliaSim 的机器人学习基准，100+ 操作任务

2. 导航任务基准

AI2-THOR：室内场景交互基准，评估导航和交互能力
Habitat：高效的 3D 导航基准，支持大规模训练和测试
Gibson：真实场景扫描的导航基准
Matterport3D：真实室内场景的 3D 重建基准

3. 具身智能综合基准

Embodied AI Benchmark：综合评估导航、交互、操作能力
Open X-Embodiment：20+ 种机器人的真实数据集，评估跨机体泛化
RT-X：大规模机器人操作数据集，评估 VLA 模型的通用性

4.2 真实评估基准

真实基准的优势是真实可靠，劣势是成本高、难以大规模、可重复性差。

1. 操作任务真实基准

Real Robot Benchmark：真实机器人操作任务评估，通常由研究机构自建
RoboCup@Home：机器人世界杯家庭服务组，评估家庭服务机器人的综合能力
Amazon Robotics Challenge：亚马逊机器人挑战赛，评估仓储抓取和分拣能力

2. 标准化测试协议

任务集标准化：定义一组标准化的测试任务（物体、环境、任务组合），不同系统在相同任务集上测试
测试流程标准化：定义测试的流程（准备、执行、评估），确保可重复
评分标准标准化：定义成功率、干预率等指标的计算方式，确保公平比较

4.3 评估基准的选择和使用

选择基准的原则：

与目标场景匹配：选择与实际应用场景相似的基准（工业操作选操作基准，家庭服务选室内交互基准）
覆盖通用性维度：选择能评估物体、环境、任务三个维度泛化能力的基准
有社区支持：选择有活跃社区、持续更新、有排行榜的基准，便于对比和跟踪进展
可复现：选择代码开源、数据公开、结果可复现的基准

使用基准的注意事项：

不要过拟合基准：不要为了在基准上刷分而专门优化，要关注真实场景的性能
补充真实测试：仿真基准的结果需要真实测试验证，Sim-to-Real 差距不可忽视
长期跟踪：在同一个基准上长期跟踪性能变化，评估算法迭代的效果
多基准交叉验证：在多个基准上测试，避免单一基准的偏差

五、提升通用性的技术路径

评估通用性是为了提升通用性。以下是提升具身智能通用性的主要技术路径。

5.1 大规模预训练

核心思想： 在大规模、多样化的数据上预训练大模型，让模型学到通用的表示和能力，从而具备强泛化能力。

具体做法：

大规模数据收集：收集多种机器人、多种场景、多种任务的操作数据（如 Open X-Embodiment）
多模态预训练：在视觉、语言、动作多模态数据上联合预训练 VLA 大模型（系列第 2 篇）
自监督预训练：用自监督学习（对比学习、掩码建模）在无标注数据上预训练，减少对标注数据的依赖
大规模仿真预训练（系列第 4 篇）：在仿真中生成大规模数据预训练，降低数据收集成本

为什么有效：

大规模、多样化的数据让模型见过足够多的场景，学到通用的本质特征
大模型的参数量大，能存储和泛化更多知识
预训练+微调的范式在 NLP 和 CV 领域已被证明有效，正在向具身智能迁移

5.2 数据飞轮

核心思想：（系列第 11 篇详细展开）部署机器人收集真实数据，用数据训练更好的算法，更好的算法部署到更多机器人，收集更多数据，形成正反馈循环。

具体做法：

影子模式收集真实场景数据（尤其是长尾场景和失败案例）
人工标注和分析收集到的数据
用新数据重新训练或微调模型
用 OTA（系列第 12 篇）把新模型部署到机器人
监控新模型性能，收集新数据，循环往复

为什么有效：

真实数据是提升通用性的最有效燃料——真实场景的多样性是仿真和实验室无法比拟的
飞轮效应——机器人越多→数据越多→算法越强→机器人越多，形成护城河
针对性强——可以针对性地收集系统薄弱场景的数据，精准提升短板

5.3 仿真与合成数据

核心思想：（系列第 4 篇详细展开）在仿真中大规模生成多样化的合成数据，用合成数据训练算法，提升对新场景的泛化能力。

具体做法：

高保真仿真器（Isaac Sim、MuJoCo）构建真实的仿真环境
领域随机化——随机化物体形状、材质、光照、物理参数，生成多样化场景
长尾场景专门生成——针对已知的长尾场景类型，专门生成大量合成数据
Sim-to-Real 迁移——仿真预训练+真实微调，迁移到真实世界

为什么有效：

成本低、速度快——仿真中可以一秒钟生成大量数据，成本远低于真实数据收集
可以生成真实中难以收集的场景——危险场景、罕见场景、长尾场景
可控性强——可以精确控制场景参数，系统性地覆盖各种情况

5.4 元学习与少样本学习

核心思想： 训练模型「学会学习」，让模型能用少量样本快速适应新场景。

具体做法：

元学习算法（MAML、Prototypical Networks、Reptile）——训练模型快速适应新任务
少样本微调——在预训练模型基础上，用少量新场景数据微调
上下文学习——利用大模型的上下文学习能力，在输入中给几个示例，模型就能理解新任务
提示工程——设计好的提示，引导大模型在新场景中正确工作

为什么有效：

零样本虽然理想但很难，少样本是更务实的选择
元学习让模型的适应效率更高，少量样本就能达到好性能
大模型的上下文学习能力让少样本适应变得简单——不需要修改参数，只需要给示例

5.5 模块化与分层架构

核心思想：（系列第 5 篇详细展开）用模块化和分层架构提升通用性——通用模块处理通用能力，专用模块处理场景特定需求。

具体做法：

分层架构——高层用通用的 VLA 大模型做任务决策，底层用专用的运动控制做精确执行
通用感知模块——训练通用的视觉感知模型（检测、分割、深度），不同任务和场景共用
可插拔的技能模块——把基本操作（抓取、放置、推拉）封装为可复用的技能模块，新任务通过组合技能完成
统一的接口和表示——定义统一的动作接口、状态表示、任务描述，让不同模块和不同机体能协同工作

为什么有效：

通用模块可以在大量数据上训练，具备强泛化能力
专用模块可以针对特定场景优化，保证性能
模块化降低了新场景的适配成本——只需要调整或添加少量模块，不需要重写整个系统
组合泛化——基本技能的组合可以完成大量新任务

六、总结

通用性是具身智能的核心价值和核心挑战。一个通用的具身智能系统，能在不同物体、环境、任务、机体上工作，不需要为每个场景重新开发。

核心要点回顾：

通用性的三个维度：物体通用性（处理新物体）、环境通用性（适应新环境）、任务通用性（完成新任务）。三个维度相互交织，真正的通用需要三个维度都强
泛化能力的三个层次：零样本迁移（无需任何数据直接工作，最难但最有价值）、少样本学习（少量数据快速适应，更务实）、跨机体泛化（从一种机器人迁移到另一种，长期目标）
评估指标：成功率（最直观）、干预率（反映自主能力）、任务完成时间、故障率、适应时间、数据效率等。根据场景选择核心指标
评估基准：仿真基准（MetaWorld、AI2-THOR、Habitat 等，可重复低成本）和真实基准（RoboCup、标准化测试协议，真实可靠）。多基准交叉验证，补充真实测试
提升通用性的技术路径：大规模预训练（大模型+大数据）、数据飞轮（真实数据持续迭代）、仿真与合成数据（低成本多样化）、元学习与少样本学习（快速适应）、模块化与分层架构（通用+专用结合）

通用性不是一朝一夕能实现的，需要长期的技术积累和数据沉淀。但它是具身智能的终极目标——只有实现了真正的通用，机器人才能像人类一样，在任何环境中学习任何任务，成为真正的「通用智能体」。

对于做具身智能落地的团队，建议从目标场景最相关的通用性维度开始突破，用数据飞轮和仿真合成数据持续提升，逐步扩展到更多维度，最终走向全维度通用。

关于作者： 越微智能（Yuewell）专注具身智能与工业 AI 视觉落地，基于自研 VLA 多模态大模型，提供全品牌机器人二次开发（适配宇树/优必选/智元/傅利叶）与工业级视觉算法定制，具备跨机体适配与场景泛化能力，支持从算法、硬件到产线实机部署的全栈交付。
下一篇预告： 《具身算力平台选型：NVIDIA Orin vs RK3588 vs 华为昇腾》，我们将拆解具身机器人的「算力心脏」——三大边缘 AI 平台的对比、选型策略和优化实践，为系列收官，敬请关注。