“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。
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）。
早期采用者主动实施新的AI法规，例如欧盟的AI法案。
原本计划于2024年2月春节后在全国上线的多多买菜本地生活项目，在2023年最后一周被暂停。部分地区的招商人员接到通知，项目已全面暂停。
站长之家（ChinaZ.com）1月3日 消息:M2UGen是一款引领潮流的框架，融合了音乐理解和多模态音乐生成任务，旨在助力用户进行音乐艺术创作。通过其强大的功能，M2UGen提供了全方位的音乐生成和编辑体验。