近期，多模态大模型进展不断。谷歌推出多模态大模型Gemini 1.0，支持输入文本、图像、音频和视频，输出图像和文字。彭博社最新一期 “Power On”透露，苹果计划在6月份的全球开发者大会（WWDC 2024）上 推出一系列基于生成式人工智能的工具。新加坡国立大学NExT++实验室和清 华大学联手打造了一个可以同时进行对话和检测、分割的多模态模型 NExT Chat，扩展了多模态大模型的区域理解能力。我们认为多模态大模型的快速发 展将提升人形机器人的智能化水平，加快人形机器人产业化进程，24 年有望 成为量产元年。