这个人很懒，什么都没有留下～
“小朋友出生后接收的是视觉、图像、语言，综合的信号，现在市面上的多模态模型是先将语言学到非常高的水平，再把视觉信息做了桥接。更像是打补丁的方法。”将多模态模型比作小朋友，智源研究院院长...
