模型下载地址:https://top.aibase.com/tool/mickey-1928
“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。
单一大型语言模型的局限性变得更加明显，导致转向更小、更专业化的模型。
Zara，高级感直播新玩家
论文地址:https://arxiv.org/pdf/2401.01792.pdf