我認為人們低估了處理圖像/視頻相比於文本要昂貴得多。 在 Tinder 的推薦算法中，大多數人假設涉及某些圖像/計算機視覺，但使用滑動模式進行餘弦相似度的效率高出 1000 倍。 話雖如此，模型（和應用）的下一個戰場是圖像和視頻，我認為這將會更加令人興奮，提升 1000 倍！