搜了一下知乎，确实有多模态的视频通用模型。再次谢谢楼主的信息提供。
好吧，谢谢你的分享，希望能够及时看到你的认识。
有数据，有技术，有资金，你说的什么模型搞不起来？特别是数据才是人工智能的核心
说说你的逻辑？