这项由Meta超级智能实验室和牛津大学的韩俊林、汤盛邦、范大卫等研究团队完成的重要研究，发表于2025年1月，论文编号为arXiv:2509.26625v1。有兴趣深入了解的读者可以通过该编号查询完整论文。
近年来，一个令人困惑的现象开始引起科学家们的注意：那些只用文字训练的大型语言模型，竟然在处理图像任务时表现出了惊人的能力。这就好比一个从未见过画笔的人，仅仅通过阅读绘画理论书籍，就能画出精美的作品。这种看似不可能的现象背后究竟隐藏着什么秘密？
Meta的研究团队决定深入探究这个谜题。他们发现，当我们给这些"纯文字出身"的AI模型配上视觉编码器，然后进行少量的多模态训练后，它们就能在各种视觉任务中表现得相当出色。更令人惊讶的是，有些模型甚至在从未"见过"图像的情况下，就能完成某些视觉推理任务。
为了彻底理解这种现象，研究团队设计了一套系统性的实验方案。他们像调配食谱一样，精心调配不同类型的文本数据，训练了超过100个不同规模的模型，消耗了50万GPU小时的计算资源。这项研究的规模之大，就像是在建造一个巨大的实验工厂，专门用来生产各种"口味"的AI模型。
