前沿LLM文本知识超人类，但VLM因图文对稀少仍差

前沿LLM具有超人类水平的文本世界知识。前沿图像/视频模型具有超人类水平的视觉世界知识（例如Genie）。但目前前沿VLM仍然绝对是糟糕的。为什么？因为图像-文本对相对稀少（虽然有大量文本和大量图像/视频）。