回复@shhnf: 我不太清楚自动驾驶模型是怎么回事儿。目前来看，大模型的主要输入方法还是文字，不论是英文还是中文，输出可以有很多种，比如图片视频文字什么的。所以大模型我估计理解输入信息的方式还是一种类文字形的。图片那边，我估计也有个方法把图片转化成一种语言给大模型来理解吧？//@shhnf:回复@关山:那些多模态的大模型和语言的关系是不是没那么大，比如特斯拉的端到端自动驾驶模型。印象中大模型的核心是transformer结构和scaling law，这两个东西和语言的关系是绑定的吗？感觉输入输出应该不仅限于语言，也可以是图片、视频等等？