lidang 立党 （劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人）
@lidangzzz
co-founder @HedgehogLabHQ @Project_DARC
（私信提问前请务必先到YouTube频道观看各期解答世间万物节目，有问题请到X Space上麦直接询问，未回私信证明你的问题已经在YouTube回答过了）
参加 April 2009
2.8K フォロー中 1.6M ファン
我为什么反复强调VLM（multimodal，多模态）是死路一条，世界模型更是臭狗屎。
一个最简单的第一性原理，100k tokens文字的信息量，远远高于图片，更远远远远高于视频，这些量文字形式能解决一些超级复杂完备的问题，而对于VLM输入图片，信息极其稀疏，能解决的问题基本约等于狗几把。
如果人类在1T~10T的VLM Agent能解决一个难度为X的问题，
那么同等模型下，对应纯文字LLM Agent给足上下文、memory、wiki、信息，全部以pure text和structured data形式准备好，并且通过text/bash/cli/api/mcp形式获取信息，那么这个LLM Agent一定能解决难度为1000X的问题。
等到VLM强大到让一个VLM Agent解决难度为1000X的问题的时候，LLM Agent已经可以解决(1000^2) * X难度的问题了。
就这么简单一个道理，绝大多数人根本想不明白。
もっと見る
