前几天想自己做一个生成自定义表情 LoRA 模型，俺在手机里存了前期预研做的小肥柴三视图，然后看着看着，诶，既然 ChatGPT 可以根据俺的文字和素材生成图片，那么它本身还具备看图看视频的多模态能力，那它也能反过来把照片和视频用作输入啊，生活中有一些场景可以用到。 比如俺自己现在家里锻炼有很多困惑的地方，于是用一个可以方便调节位置、视角的手机支架，把锻炼的过程录下来了，赤裸上半身它更好识别，然它先用文字告诉俺存在哪些问题，后面追问文字不够直观，你直接出图告诉俺应该怎么改进，效果很好，领先普通私教。 然后俺因为每天对着电脑 10 个小时以上，体态问题有，给自己也来了三视图和视频，分别记录自己放松肩膀耷拉下来以及挺胸的肢体状态，让它针对性告诉俺应该如何锻炼，去健身房用哪些器械。你就说它是不是比一般私教讲得好吧？俺又不是专门健身的，也不是医生，对骨骼跟肌肉没概念，纯文字俺看不懂。20 美元一个月要啥自行车。 发到 AI 群里，社友说你甚至可以跟 Gemini 打视频电话。好家伙，未来 AI 全面进入实时看视频的状态岂不是私教钱可以省下来了？私教又不可能长 3 双眼睛从不同角度看...