产业化路径 1. Google(2018-2020)：创建 Affective Computing 团队 ... 收集 →受试者对多模态刺激进行自由标签或情绪强度评分 →以非线性降维（t-SNE、UMAP、Diffusion ...

这一定义强调模型能力的来源：VLA必须具备通过图文预训练习得的语言理解、视觉泛化和任务迁移能力。 代表模型如Google的PaLI-X，或开源项目Llava、Florence-2等。 而如果一个模型只是简单地将独立的视觉编码器和文本编码器拼在一起，那它更应该被称为“多模态 ...