论文地址:https://arxiv.org/pdf/2401.00908.pdf
“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。
矢量数据库开始开发类似SQL的接口，并支持多模态。
视频翻译配音这个工具不但支持语音自动生成字幕，而且还提供多种配音选择，同时支持多种翻译引擎，让用户在生成配音前对字幕进行修改。使用方便，无需复杂的操作，让用户能够轻松完成视频翻译和配音的任务。
Paint3D 利用两阶段纹理生成框架，首先通过预训练2D图像生成模型获取输入的引导信息，然后在UV纹理空间上训练无光照扩散模型，生成无光照纹理，提升3D模型纹理生成效果。