标题：寻找 AI 的「第三语言」：中间表示如何打通多模态鸿沟 ｜ CVPR 2026 正文： “请把杯子拿起来。” 这句话对你来说轻而易举，但对 AI 系统而言却涉及语言、动作、视觉、空间和执行间的多重复杂映射。传统方法通过直接映射让模型从输入生成输出，但在真实场景中往往失效，因为模态间的鸿沟太...