知名 AI 研究员 François Chollet 对 VLM/VLA 架构的质疑：
顶尖的大语言模型在文字方面的世界知识已经比人还厉害，顶尖的图像/视频模型在视觉方面的世界知识（比如 Genie）也很强。
但现在的顶尖视觉-语言模型（VLM）还是很拉胯。原因是：图文配对的数据很少（虽然单独的文字数据和单独的图像/视频数据都很多）。可这并不是人类的思维方式。
人类的理解是「组合式」的，也就是说，我们能把两个领域的知识结合起来理解，不需要先看过大量这两个领域一一对应的配对例子。
就像读书时，大多数人都能在脑海里想象故事画面，不管文字描述的场景多离谱——而人类并没有看过几亿条「文字 - 视频」对应的内容，几乎压根没接触过这种东西。
猜你喜欢
![你不干是吧，有的是AI干！[捂脸哭][捂脸哭]](http://image.uczzd.cn/3623522124041883159.jpg?id=0)
【2评论】【1点赞】
【9评论】【7点赞】
【52评论】【213点赞】
【4点赞】
【3点赞】
【14点赞】
作者最新文章
热门分类
汽车TOP
汽车最新文章