“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。
小型语言模型（SLM）已经出现，成本效益和可持续发展的考虑将加速这一趋势。
Midjourney更倾向于使用光影效果增加图片的真实感，这也是让人印象深刻的地方。在艺术性和还原性方面，Midjourney明显取得了胜利。AI生成的图像真实性甚至局限性都成为了吸引网友参与讨论、分享和二次创作的流量密码。
LLaVA是一个端到端训练的多模态大模型，它将视觉编码器和用于通用视觉和语言理解的Vicuna相结合，具备令人印象深刻的聊天能力。而CogAgent是在CogVLM基础上改进的开源视觉语言模型，拥有110亿个视觉参数和70亿个语言参数。
8. 使用 Chat GPT 起草商务电子邮件