模型能够结合画面、声音和时序信息理解用户意图，例如利用视觉信息消除同音词歧义、识别手势和指代对象，并持续跟踪画面变化，在目标出现时主动提醒用户。
06/25 00:17
06/25 00:16
06/25 00:15
京公网安备 11011402013531号