（来源：上观新闻）
意思是 Gemi😾🇪🇦ni 从⤵🤳训练的第一天🇧🇶🌐起，就同时☁📱用文本、图像、音🔐频、视🕍频联合训练，🔢不是先训一个语📯✍言模型再外挂😛视觉模块🇸🇳。如果把 C🇸🇳hat🇧🇼GPT 阶段🎒🤝看作数据驱🔙💁动学习的标💆尺，那🧭👤接下来就是智↗能体学习阶段，📠模型需要4️⃣seo泛站群以原生多模态💂♀️🐱的方式去感知、思✅®考、行动💺。
一个视觉编👨👨👦👦码器把图👱♀️片压成特征🏴🎖，一个变🈚☮分自编❎🤢码器把生🎶成任务翻🚭译回像素，💟中间再靠🕵🗿语言模型撮8️⃣合🇲🇬。构建智能体🧼🥣和AI应用程序✏时，不能在每次与☪➕模型交互时都🖋从零开始🍛，需要存储状✊🎰态、身份🌫、对话和操作历史🐤🇮🇪，需要🇧🇾工具使模型能调🥾用不同功🎓🗣能完成任🚾务，这只有通过🌊📅存储状态才能实现🤒。
