多模态模型将更多地用于文档处理（但首先需要降低成本/延迟）。
此前孟羽童曾透露，自己在格力的工资和应届大学生一样，“基本上在五千到一万块钱这个区间内”。如果按这个说法粗略来算，孟羽童只要在小红书接一个商单，收入就能超过在格力工作2年。
在直播电商行业，品牌通常是比较“落后”的一方，因为这个行业个人英雄主义盛行，最有能力的人才往往选择单干。某种程度上，品牌店播是靠货品、金钱砸出来的，大部分品牌在内容、创意、流量上与达人主播仍有不小差距。
除了模仿学习，斯坦福团队还开发了低成本的全身遥操作系统Mobile ALOHA，用于收集双臂移动操作数据。该系统将机器人安装在轮式底座上，实现了全身远程操控。研究人员可以通过遥控器控制机器人的移动和操作，从而完成各种复杂的任务。这个全身远程操控系统的设计简单直接，使用方便灵活，为机器人的操作提供了便利。
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。