🌈 应对风格化场景:该方法不仅局限于真实场景，还能应对风格化场景的挑战，通过文本提示如“水彩夜街”和“未来夜城”展示创造力和适应能力。
开源模型击败GPT-4，小模型更流行
另一方面，就像曾经淘宝客的兴起一样，部分品牌将精力放在了KOC分销上。
它不仅可以从图片中提取信息并回答问题，还可以将图片转化为JSON格式。LLaVA还可以识别验证码、识别图中的物体品种等，展现出了强大的多模态能力。在性能上接近GPT-4的情况下，LLaVA具有更高的成本效益，训练只需要8个A100即可在1天内完成。
CogAgent作为在CogVLM基础上改进的开源视觉语言模型，拥有更多的功能和性能优势。它支持更高分辨率的视觉输入和对话答题，能够处理超高分辨率图像输入。