你这个解读不对吧
以前是语言和视觉独立，语言由LLM生成后传递给action模型
现在是语言和视觉混合作为输入的Prompt,多模态直接生成token

【 在 ccf 的大作中提到: 】
: 读了一遍自媒体对于昨天下午理想发布会的解读。大致意思是，用世界模型（latent，隐）替代了之前的语言模型（language）。优点是视频不需要转译为语义，导致信息压缩过多，缺点是隐世界模型缺乏可读性，工程师不清楚每一步这个模型在算些什么东西。
:
--
FROM 58.246.240.*