9. 多模态AI将成为新常态。苹果公司的Ferret和特斯拉的FSD正在引领潮流。但挑战也会随之而来。视觉、听觉，甚至是感觉?
项目代码:https://top.aibase.com/tool/wikichat
然后，HandRefiner采用条件修补方法来处理识别出的问题手部。它生成一个深度图，其中包含了关于手部形状和位置的重要信息。这个深度图被用作指导，通过ControlNet集成到扩散模型中。最后，HandRefiner将重新画好的手部放回原来的画作中，替换掉原本画错的手，而其他部分保持不动，保持了原画的风格和内容。
LLaVA是一个端到端训练的多模态大模型，它将视觉编码器和用于通用视觉和语言理解的Vicuna相结合，具备令人印象深刻的聊天能力。而CogAgent是在CogVLM基础上改进的开源视觉语言模型，拥有110亿个视觉参数和70亿个语言参数。
当被问及把技术公开，其他友商跟进之后，会不会担心荣耀变成第二了，赵明表示：那是我们无能。”