2024-07-26 闲话

在看老友记的过程中，感受到了常用词对语言理解的重要性。尤其是在听说过程中，需要人们快速反应，可以利用的 context 非常有限，一旦理解错了 idiom，那么会对后面的交互产生较大障碍

最近刷了一些 quora，也是一样的感觉。但是文字模态实在是比语音模态好多了，阅读时有足够长的上下文和足够多的时间来供你思考。可能这也是人们在写作的时候能获得更好作品的原因。不妨等价为我们可以获得质量更高的文字数据。

之前问同学，你每天图片/语音模态的输入多还是文字模态的输入多？他说文字模态的输入多，但是其实我更喜欢语音、图片模态的输入。比方说上课听讲和自己看数分课本，看数分课本明显时间更短而上课听讲明显会更自然，更舒服。

比较这两个模态还有一个维度（还能想到的一点）是效果可以接受（not state of the art）模型的大小，学长说语音/图像理解 model 的大小比市面上的 llm 小很多。

这些可能有奇妙的联系。