到2024年，我们将看到更多实时图像、音频和视频生成传播应用。
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。
GPT-4.5/5将发布，但AGI仍未实现@科技博主Matthew Berman
未来，谁能更快吸引专业人才加入，谁能尽快适应品牌直播的快节奏、强创意，谁就能先行一步。
据悉，M2UGen采用了创新的方法，生成了大规模的多模态音乐指导数据集，用于训练模型。这包括MU-LLaMA模型生成的1.2k多小时音乐字幕数据集。模型结合了MU-LLaMA、BLIP图像字幕模型、MPT-7B-Chat模型以及VideoMAE字幕模型，以在各个领域生成对应的指导。