本文第一作者为斯坦福大学研究生蔡闻骁，此前，他以绩点第一名的成绩在东南大学取得学士学位，他的研究兴趣为多模态大模型、具身智能，此工作为其在上海交通大学访问和北京智源人工智能研究院实习期间完成，导师为本...