“I”:视频输入。GPT-4V对视频的理解还相当原始，因为它将视频视为一系列离散图像。减少信息冗余的最聪明方法是什么?学习目标应该是什么?下一帧预测与下一个单词预测有着明显的类比关系，但它是否是最佳的?如何与语言交错?如何引导机器人和人工智能的视频学习?业界尚未达成共识。
但这几年，开始有了希望的苗头。
2、LLaVA、CogAgent和BakLLaVA是三种具有极大潜力的开源视觉语言模型。
这些善意、温柔的瞬间积聚到一起，随着跨年当晚的烟花迎来了一波爆发。甚至有玩家说，和很多陌生人聚在一起跨年时，他感受到了一种特殊的、让他忍不住流泪的感动。
3. 使用 ChatGPT 生成关键字创意