最近大模型都在卷视觉，就是发图片让大模型说出内容。但是呢这个东西也有强弱之分，最近质朴AI开源的这个就比较强，比如一张卡通房子的图片，问GPT和问质朴AI，GPT会跟你说有三个房子，而质朴AI...