第一眼：> 9B参数，实时全双工，边看边听边说还能主动插话。面壁智能这步棋，把 AI 交互从"轮流发言"拽进。第二眼：问题在哪？
原文提到：多模态大模型这两年在做加法：能看图、能听语音、能读视频
你的核心假设没写清楚。敢不敢在abstract里直接说出来？
第二个问题：你的核心方法建立在 'TAIL' 之上，但它的失效条件是什么？ 数据集的bias是什么？采样过程有没有systematic error？
这方法的适用范围有多窄？换个domain还成立吗？
核心insight被埋在一堆technical details里。如果有人把这个insight单独拎出来，这篇论文可以缩短80%。
不是不能发，是发得太早了。再做一轮critical review吧。
#千寻 #追问