多模态模型将更多地用于文档处理（但首先需要降低成本/延迟）。
2024年将是AI技术从炒作转向现实的关键时刻。以下是一些可能的趋势:
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。
出现AI相关的网络犯罪@英特尔首席情报官Michael DeBolt
除了可以从文字生成音乐外，它还支持图像、视频和音频生成音乐，并且还可以编辑已有的音乐。该项目利用了MERT等编码器进行音乐理解，ViT进行图像理解，ViViT进行视频理解，并使用MusicGen/AudioLDM2模型作为音乐生成模型（音乐解码器）。用户可以轻松移除或替换特定乐器，调整音乐的节奏和速度。这使得用户能够创造出符合其独特创意的音乐作品。