Midjourney公司计划在未来几个月推出“文本转视频”模型，通过在1月开始培训视频模型，强调其自然发展和在生成视频领域引入竞争动态，同时V6更新提升画质和用户体验。
“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。
对标记的依赖性:尽管DeWave方法在文中声称可以在没有标记（如眼动追踪）的情况下实现脑电波到文本的翻译，但它仍然依赖于基于标记的对齐过程。
随着淘宝内容化战略加速推进，2023年淘宝直播也发生了不少变化。
Meta的研究人员解释说:“HawkEye实施了一个决策树，简化了这个流程，同时构建了连续的仪器化和分析层的必要组件以构建这棵树。 HawkEye使用户能够高效地浏览决策树并快速确定复杂问题的根本原因。因此，HawkEye大大减少了调试复杂生产问题的时间，简化了操作工作流程，并使非专业人员能够以最小的协调和协助解决复杂问题。”