摩根大通发布了DocLLM，一款专为多模态文档理解设计的生成式语言模型，通过轻量级扩展LLM，避免昂贵的图像编码器，以提高文档分析效能。
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. 🚀 **挑战与解决方案**:面对现有研究在理想条件下渲染3D人物的局限性，Wild2Avatar专注于解决真实场景中摄像头视野被遮挡导致部分遮挡的问题。
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。
BakLLaVA是使用LLaVA1.5架构增强的Mistral7B基础模型，具备更好的性能和商用能力。BakLLaVA在多个基准测试中优于LLaVA213B，并且可以在某些数据上进行微调和推理。虽然BakLLaVA在训练过程中使用了LLaVA的语料库，不允许商用，但BakLLaVA2则采用了更大的数据集和更新的架构，超越了当前的LLaVA方法，具备商用能力。