📈 金融应用: 在金融领域，模型通过多个金融考试，得分平均达到75.9分，涵盖A股、基金、ETF等15个业务矩阵，为用户提供全面精准、稳定可控的投资决策支持。
“I”:视频输入。GPT-4V对视频的理解还相当原始，因为它将视频视为一系列离散图像。减少信息冗余的最聪明方法是什么?学习目标应该是什么?下一帧预测与下一个单词预测有着明显的类比关系，但它是否是最佳的?如何与语言交错?如何引导机器人和人工智能的视频学习?业界尚未达成共识。
事实上，2023年还有不少品牌直播案例，从品类和内容来看，既有水泥、煤炭这样的纯B端商家开播，也有大批品牌尝试AI数字人，虽然尚未跑出足够亮眼的案例，但也进一步证明了一个趋势:品牌直播正在走向深水区。
为了解决幻觉问题，研究人员采用了检索增强生成（RAG）的方法，并添加了几个重要步骤来进一步减轻幻觉，并改进对话性指标。通过这些优化，WikiChat在事实准确性方面比微调后的SOTA RAG模型Atlas高出8.5%。此外，研究人员还将基于GPT-4的WikiChat提炼成7B参数的LLaMA模型，这个模型在事实准确性方面能达到91.1%的高分，并且运行速度提高了6.5倍，能效更好，可以本地部署。
12. 使用 Chat GPT 创建交互式常见问题解答:开发动态常见问题解答部分来响应用户特定的查询，增强用户体验并减少支持需求。