Text2Immersion:可通过文本直接生成3D场景
“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。
更多过去一年令你印象深刻的品牌直播案例，欢迎在评论区补充。
3、LLaVA在视觉聊天和推理问答方面表现出接近GPT-4水平的能力。
快科技1月3日消息，据媒体报道，韩国反垄断监管机构宣布，由于Nexon涉嫌在游戏内道具对用户进行欺诈，将对其处以116亿韩元（约合6333.6万元人民币）罚款。