“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。
什么是MEG
「从物理学的角度来看，这是一个混沌系统。这一切的背后有重要的证据表明地球的行为是有序的和确定性的。但如果不充分了解地下发生的事情，就不可能凭直觉理解这种秩序。」
与GPT-4V进行比较时，实验发现GPT-4V在所有对象识别任务中表现一致，但在对象级感知方面落后于VCoder。