文本是对世界的压缩和抽象，而视觉是世界本身的投影。

多数人选择前者，比如OpenAI；而Google选择后者，从Gemini系列伊始就下注“原生多模态”技术路线，进“窄门”。

到了Gemini 3，Google将原生多模态与深度推理能力进行前所未有的结合，整个市场才看到路线选择的结果。