update readme

README.md

@@ -214,7 +214,7 @@ MiniMind-V的结构几乎不变，仅增加Visual Encoder和特征投影两个
   实际上，随着大型语言模型技术栈的日益成熟，我们可能会看到越来越多的问题被纳入这种建模范式。也就是说，问题固定在使用 LLM
   进行『下一个 token 的预测』，只是每个领域中 token 的用途和含义有所不同。
 
-* [李玺老师](https://person.zju.edu.cn/xilics#694283)同样佐证了本人的观点（原话不记得了，大意如下）：
+* [李玺老师](https://person.zju.edu.cn/xilics#694283)的公开讲话同样佐证了类似观点（原话大意如下）：
 
   > 文本、视频、语音、动作等在人类看来属于「多模态」信号，但所谓的「模态」其实只是人类在信息存储方式上的一种分类概念。
   就像`.txt`和`.png`文件，虽然在视觉呈现和高级表现形式上有所不同，但它们本质上并没有根本区别。