理解多主体的特征，简单说，有哪几样主体，都长什么样，模型能理解和记住；
理解描述指令的含义，知道要输出一个什么画面；
对不同主体、不同特征进行关联，比如「小男孩拿着蛋糕」这一画面，模型在记住男孩和蛋糕的特征之后，还需理解空间方位是怎样，将两个主体合理关联到一起。
统一问题形式：LLM 将所有问题，不管是对话、翻译，还是代码，都统一为（文本输入，文本输出），Vidu 则是将所有问题统一为（视觉输入，视觉输出）；
统一架构：均用单个网络统一建模变长的输入和输出；
压缩即智能：LLM 从文本数据的压缩中获取智能，Vidu 从视频数据的压缩中获取智能，都是从海量预训练数据中压缩提取丰富的知识。
