这次北京车展，卓驭发了个新东西，叫“原生多模态基础模型”。
它跟传统的端到端，本质区别在哪。把视频、文本、动作、语音、地图，所有模态在同一个框架里一起训练，这样的统一大模型，真的是未来么？ http://t.cn/AXJLgrUE ​