近日，来自谷歌和柏林工业大学的团队重磅推出了史上最大视觉语言模型——PaLM-E（全称Pathways Language Model with Embodied，是一种具身视觉语言模型）。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，而且还能将两者结合起来，处理复杂的机器人指令。此外，通过PaLM-540B语言模型与ViT-22B视觉Transformer模型相结合，PaLM-E最终的参数量高达5620亿。它的强大之处在于，能够利用视觉数据来增强其语言处理能力。（华尔街见闻）