#视觉语言

这篇论文让你知道，给机器人一个语言指令，它就能自己学会怎么转动相机去看你想看的地方——全靠学人类第一人称视频，不用手动标数据。

想搞懂多模态模型怎么从分开看图文进化成统一感知？这篇综述用五阶段框架讲清了O-series和R-series带来的转变，比碎片化教程系统得多。