第三部分是我非常期待的研究方向（+機器心理意象+知覺標記）：多模態CoT（而不是喃喃自語的VLM）。 它是基於 BAGEL（而 BAGEL 又基於 Qwen 2.5-VL-7B），所以結構相當封閉。而且是純手工打造的。 但是！它們會進行突發性操控！
這太酷了 @leothecurious 我認為這在很大程度上證實了我之前對VLM願景的譴責，即它為時過早，而且即使在這種殘缺的範式下也有很多唾手可得的成果。
正在載入線程內容
正在從 X 取得原始推文，整理成清爽的閱讀畫面。
通常只需幾秒鐘，請稍候。