图片、视频等的大模型，也是文字的概率吗？之前识别图片的机制是切分、计算概率，现在有没有什么机制上的改变？


【 在 hut 的大作中提到: 】
: 这是他的本质，他就是这样的机制
: 你从人的角度来看，他生成的不符合你的标准
: 你就觉得他在胡说八道
: ...................
--
FROM 103.208.15.*