腾讯推出的M2UGen是一款多模态音乐生成框架，结合音乐和多模态任务，支持从文字、图像、视频生成音乐，并具备强大的编辑功能。
🎥 Midjourney计划推出“文本转视频”模型，扩展AI形象生成器到视频创作领域。
7. 没有AGI。山姆-奥特曼（Sam Altman）对AGI的看法似乎仍是遥不可及的梦想。关于AGI定义和时间表的争论仍在继续，但我们不会在2024年看到AGI。
1. 🌐 图像修复是一个复杂的挑战，研究人员提出了名为“Dual-Pivot Tuning”的个性化图像修复方法。
在实验中，VCoder与开源的多模态LLMs（如MiniGPT-4、InstructBLIP、LLaVA-1.5和CogVLM）进行了比较，并在COST验证集上进行了测试。实验结果表明，VCoder在对象识别任务中表现最佳，特别是在对象计数和识别方面优于基线模型。在处理复杂场景中的对象计数和识别任务时，VCoder展现出更高的准确性，尤其是在场景中有许多实体时。