終究構成一個一致的原生多模態模型，

從多模態走向具身智能，裝機量正在從百萬量級走向千萬量級；交互 AI 廣泛落地各種新式智能硬件和機器人，

在模型架構規劃中，在實在場景牽引下，專心于視覺編碼。只經過習慣練習的多模態模型 ，商湯以為“眼睛”和“大腦”的規劃是有實質差異的，第二步  ，

咱們關于未來的途徑有自主的考慮和認知，視覺編碼器應該聚集在感知功能上