-
一统江湖的视觉chatGPT出来了，如果我们想整合语言和图像以外的模态，比如视频或语音，该怎么办？每次涉及新的模态或功能时，会消耗大量的数据和计算资源。是否有必要训练一个全新的多模态模型？
这简介就离谱
