“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。
不要和用户情绪对着干，同时谨慎利用这股力量，可能是花西子留下的最大教训。2024年，克制品牌表达欲望，谨慎对待大众情绪，会是品牌公关的重要课题。
1000多万粉丝是FILA店播成绩的重要基础
当一部分品牌想把直播做大，钟情于合作头部主播、做店播大场的时候，另一部分品牌开始把直播做小，借助数量庞大的矩阵号和KOC，实现蚂蚁雄兵式的增长。
CogAgent作为在CogVLM基础上改进的开源视觉语言模型，拥有更多的功能和性能优势。它支持更高分辨率的视觉输入和对话答题，能够处理超高分辨率图像输入。