还记得文心一格是什么？基于ERNIE-ViLG API的开放作图平台😂，肾3+4=肾7的多模态出现了！
然后，根据飞桨在hf的demo代码，一格用的应该是另一个翻译模型，而非百度翻译。不过倒是正常的整句翻译。
但是，最生草的是，他是把非中翻译成中文，然后直接输入模型！
这是ernie-vilg 2开源base模型https://github.com/PaddlePaddle/ERNIE/tree/ernie-kit-open-v1.0/Research/ERNIE-ViL2

那么问题来了，既然是中文模型，对中文理解为什么如此糟糕。
个人怀疑内部应当有映射表，起到了类似翻译的作用。但是映射不意味着翻译，几乎是逐句逐词转换，例如熊熊烈火，很可能映射为熊和火的token。
然而如果真的是这样，那这种先翻译中文再映射的方式可就真的画虎不成反类犬了。