“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。
方法介绍:
论文网址：https://arxiv.org/abs/2312.17234
在小红书、微博等社媒上，玩家提到最多的关键词是「诚意」和「仪式感」。面对节日，很多游戏的选择是用视觉元素简单装点一下，可蛋仔却是彻底变成了一个「跨年模拟器」。
7. 客户服务聊天机器人