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。

腾讯又挖来一位 OpenAI 核心研究员。 据多家媒体确认，OpenAI 前研究员田永龙（Yonglong Tian）已正式加入腾讯，将参与混元大模型相关研发，重点方向为 VLM（视觉语言模型）。 这也是继姚顺雨之后，腾讯引入的第二位 OpenAI 背景核心研究员。 更有意思的是，两人本身就是 OpenAI 老同事。如果后续传闻中的组织架构落地，腾讯混元的多模态能力很可能会迎来一次明显加强。 田永龙的履历也很硬： • 清华本科 • 香港中文大学 MMLab • MIT EECS 博士（Phillip Isola 组） • Google Research • Google DeepMind • OpenAI 他的研究方向长期聚焦于： Computer Vision Representation Learning 多模态模型 VLM / 对比学习（SupContrast 作者之一） 相比「又挖了一个 OpenAI」，我觉得更值得关注的是腾讯最近的人才布局。 姚顺雨更偏基础模型、Scaling 和 AI Infra；田永龙则长期深耕视觉和多模态。如果两人的职责最终按目前传闻落地，一个补基础模型，一个补 VLM，多模态拼图基本就齐了。 这也说明腾讯今年的重点，已经不只是追赶大语言模型，而是在补齐 Agent、GUI、视频理解、数字人等下一阶段 AI 应用最核心的能力。 国内大厂这波 AI 人才争夺战，越来越有意思了。