回复@川普教你炒股: Transformer大语言场景已经验证过，增强了FSD对现实世界（像素）的刻画和理解//@川普教你炒股:回复@东城西不就:“核心就是将FSD的推理过程从像素-->动作，进化到像素-->语言-->动作，增加了通过多模态大模型将视频画面解释成语言的步骤，这不但增强了对现实世界的刻画和理解，让FSD的动作更具解释性，更重要的是可以利用CoT（即思维链）技术，提升它的逻辑推理能力。”
感觉有点多此一举？