​推特看到关于GPT-4的预测，103万查看[胜利]。 如果GPT-4是多模态的，我

元峰

​推特看到关于GPT-4的预测，103万查看[胜利]。

如果GPT-4是多模态的，我们可以合理地预测GPT-4可能具备什么能力，考虑到微软之前的工作Kosmos-1：
- 视觉智商测试：是的，就是人类参加的那种！
- 无OCR阅读理解：输入屏幕截图、扫描文档、街道标志或任何包含文本像素。直接推断内容而不需要明确使用OCR。这对于在多媒体网页上解锁AI应用程序或来自真实世界摄像头的“野外文字”非常有用。
- 多模态聊天：关于一张图片进行对话。甚至可以在中途提供“后续”图像。
- 广泛的视觉理解能力，如字幕、视觉问答、物体检测、场景布局、常识推理等。
- 音频和语音识别（？）：没有在Kosmos-1论文中提到，但Wh

加入社区,可阅读全站10w+资源

您尚未登录，请登录后操作

 非会员试读19%,加入社区后可阅读全文