提示一如既往地重要，但提示工程（乱用令牌）的重要性将下降。
更多跨行业的知名创作者站出来反对未经创作者同意而训练的AI生成模型。
加利福尼亚大学洛杉矶分校和Snap Inc.的研究团队开发了一种名为“Dual-Pivot Tuning”的个性化图像恢复方法。双轴调整是一种用于在盲目图像恢复背景下定制文本到图像的先验的方法。该过程涉及使用个体的一组有限数量的高质量图像来增强其其他降质图像的恢复。其主要目标是确保恢复的图像对个体的身份和降质输入图像具有高保真度，同时保持自然外观。
通过Dual-Pivot Tuning实现的个性化恢复技术在恢复图像中实现了高身份保真度和自然外观。实验证明，与盲目和少数样本的面部图像恢复的各种最先进替代方法相比，定制模型在个体身份方面表现更好，并且在一般图像质量方面优于通用先验。该方法对不同类型的降解是不可知的，并在保持身份的同时提供一致的恢复。
LLaVA在视觉聊天和推理问答方面表现出接近GPT-4水平的能力。在视觉聊天方面，LLaVA的表现相对于GPT-4的评分达到了85%，在推理问答方面更是达到了92.53%的超过GPT-4的新SoTA。LLaVA在回答问题时，能够全面而有逻辑地生成回答，并且可以以JSON格式输出。