一、净化网络环境，清朗网络空间，持续践行社会主义核心价值观，坚定“四个自信”，持续净化未成年人上网环境。
“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。
3. “大语言模型”和“LLM”等术语将变得不那么常见，描述模型的术语将变得越来越多维。
尽管HandRefiner主要针对手部图像，但其基本原理和技术也可以适用于其他需要精细修正的图像生成任务，比如修正脚或耳朵等部分。
贾跃亭对FF的未来充满信心。