“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。
提示一如既往地重要，但提示工程（乱用令牌）的重要性将下降。
论文网址：https://arxiv.org/pdf/2401.00431.pdf
12月31号晚上的演出更是重头戏:他们举行了跨年烟花和灯光秀，还有NPC蛋仔带着玩家一起蹦迪、合影。玩家们在这天晚上，叫上自己今年曾共同玩耍过的蛋搭子们，共同在游戏中摆成不同的姿势，有人叠高高、有人摆阵型，只为留下2024年的第一张蛋仔合影。
5.使用ChatGPT编写代码