🎵 M2UGen融合音乐理解和多模态任务，支持文字、图像、视频生成音乐。
🏛️ 多功能餐厅体验: 除全自动烹饪外，CaliExpress by Flippy的位置还展示Miso Robotics呈现的伪博物馆体验，包括机械臂、3D打印品和摄影展示等。
基于Agent的模型和生成式多媒体的发展，出现更多实验性应用。
在渲染移动人物的视觉外观时，面对摄像头视野被遮挡的问题是一项巨大的挑战。大多数现有研究在理想条件下渲染3D人物，要求场景清晰且无障碍。然而，在真实世界场景中，可能会有障碍物阻挡摄像头视野，导致人物出现部分遮挡，这使得这些传统方法无法应用。
2、LLaVA、CogAgent和BakLLaVA是三种具有极大潜力的开源视觉语言模型。