就AI的能力、安全性以及对其潜在影响的积极性而言，2024年将是突破性的一年。从更长远的角度看，这只是指数级发展的又一年，它能让每个人的生活都比今天更美好。
“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。
10. 目前领先的生成式AI模型已经接受了大量受版权保护的内容的训练，这一事实可能会引发巨额责任并改变该行业的经济状况。至少一家美国法院将裁定在互联网上训练的生成式AI模型构成版权侵犯。该问题将开始向美国最高法院提起诉讼。
围绕Zara这场直播，在业内引发了不少讨论。
在实验中，VCoder与开源的多模态LLMs（如MiniGPT-4、InstructBLIP、LLaVA-1.5和CogVLM）进行了比较，并在COST验证集上进行了测试。实验结果表明，VCoder在对象识别任务中表现最佳，特别是在对象计数和识别方面优于基线模型。在处理复杂场景中的对象计数和识别任务时，VCoder展现出更高的准确性，尤其是在场景中有许多实体时。