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。
在2024年，我们将看到具有高分辨率和长期连贯性的视频生成。这将需要更多的“思考” ，即系统2的推理和长远规划。
专利的大型语言模型如 GPT-4被用来生成包括多语言指令在内的各种合成数据。通过利用 Mistral 模型强大的语言理解能力，该方法在几乎所有工作类别上在激烈竞争的 MTEB 基准测试中取得了出色的性能。
HandRefiner的工作原理包括手部识别与重建以及条件修补两个过程。首先，它识别出生成图像中形状不正常的手部，并使用手部网格重建模型重建出一个正确的手部形状和手势。即使在畸形的手部图像中，HandRefiner也能够生成合理的重建结果，这得益于模型基于正常手部的训练数据。
图源备注：图片由AI生成，图片授权服务商Midjourney