随着淘宝内容化战略加速推进，2023年淘宝直播也发生了不少变化。
在渲染移动人物的视觉外观时，面对摄像头视野被遮挡的问题是一项巨大的挑战。大多数现有研究在理想条件下渲染3D人物，要求场景清晰且无障碍。然而，在真实世界场景中，可能会有障碍物阻挡摄像头视野，导致人物出现部分遮挡，这使得这些传统方法无法应用。
机器人成本低廉，仅为22万元，软件和硬件全部开源。
LLaVA是一个端到端训练的多模态大模型，它将视觉编码器和用于通用视觉和语言理解的Vicuna相结合，具备令人印象深刻的聊天能力。而CogAgent是在CogVLM基础上改进的开源视觉语言模型，拥有110亿个视觉参数和70亿个语言参数。
3）观察人工智能消除和修复所选区域。