已收录文章摘要，完整内容可前往原文阅读。
过去几年，多模态模型经历了一条清晰的演进路线：从识别图像中的物体，到理解视频中的事件；从回答视觉问题，到根据指令生成和编辑图像；从处理单一模态，到同时连接文本、图像、视频、音频、3D 数据和具身信号。