谷歌和柏林工业大学的团队重磅推出了史上最大的视觉语言模型 ——Palm-E，参数量高达 5620 亿（GPT-3 的参数量为 1750 亿） … 作为一种多模态具身视觉语言模型（VLM），Palm-E 不仅可以理解图像，还能理解、生成语言，可以执行各种复杂的机器人指令而无需重新训练 … 谷歌研究人员计划探索 Palm-E 在现实世界场景中的更多应用，例如家庭自动化或工业机器人。