2024年将是视频之年。虽然机器人和嵌入式代理才刚刚起步，但我认为AI视频将在未来12个月内迎来突破性发展。包括输入和输出两个方面。
论文地址:https://aclanthology.org/2023.findings-emnlp.157.pdf
模型下载地址:https://top.aibase.com/tool/handrefiner
CogAgent还提供了可视化代理的能力，能够返回任何给定任务的计划、下一步行动和带有坐标的具体操作。它还增强了与图形用户界面相关的问题解答功能，可以处理与网页、PC应用程序、移动应用程序等任何图形用户界面截图相关的问题。另外，通过改进预培训和微调，CogAgent还增强了OCR相关任务的能力。这些功能的提升使得CogAgent在多个基准测试上实现了最先进的通用性能。
看上去，这种「简单的美好」很容易实现，但为何其他游戏难以复刻?事实上，这背后有着多个结实的骨架在支撑着。