人类大脑天然具备同时理解和创造视觉与语言信息的能力。一个通用的多模态大语言模型（MLLM）理应复刻人类的理解和生成能力，即能够自如地同时处理与生成各种模态内容，实现多模态交互，这也是向通用人工智能（AGI）迈进的关键挑战之一。最近爆火的新版 GPT4o 与 G

模态 交互 opening 模态交互 cvpr2025ora 2025-04-06 18:52  3