我的信息来源是自媒体的解读，如有错误，以您的解读为准。

【 在 BIGDADY111 的大作中提到: 】
: 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
: ...................
--
FROM 1.202.70.*