“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。
@LlamaIndex创始人Jerry Liu
多模态模型将更多地用于文档处理（但首先需要降低成本/延迟）。
在快手，食品品牌大嘴鳄长期合作了超2万名快手达人，这让大嘴鳄入驻快手仅一年就做到了年GMV过亿。
Paint3D 能够根据文本或图像输入，在无纹理的3D模型上生成高分辨率、无光照的多样化纹理贴图。这项技术的主要目标是使生成的纹理能够被重新照明或重新编辑，并直接应用于现有的渲染管线。