模型必然是多模态的，这是毫无疑问的。

无论是救护车警车声、后车喇叭催促、或者语音命令都是要支持的，把模型的功能等同
于出租司机就好了，你告诉他要去哪，路上可以催促他开快点、开慢稳点等等。。。

【 在 ruige0822 的大作中提到: 】
: 大佬 怎么看国内加上了VLA视觉语言模型。如果特斯拉不用视觉语言模型怎么识别杭州
: 那种乱七八糟的可变车道
--
FROM 123.125.33.*