OpenAI的文生视频利用transformer架构生成高保真视频，具有控制视频大小和执行图像和视频编辑任务的能力。模型展现了模拟物理世界的能力。虽然目前仅对个别人开放，但未来全民开放只是时间问题。

我们提出了一个大规模重建模型（LRM），可以在5秒内从单个输入图像预测对象的3D模型。该模型采用了高度可扩展的transformer架构，并在大约100万个对象的多视图数据上进行了训练。模型通用性强，生成高质量的3D重建结果。

本文介绍了基于transformer架构的HDMNet网络，用于few-shot语义分割任务。网络利用自注意力机制建立层次化的密集特征，并使用匹配模块降低过拟合。实验结果显示，在COCO数据集上，1-shot和5-shot分割的mIoU分别达到50.0%和56.0%。

LRM是一个大规模重建模型，可以在5秒内从单个输入图像预测对象的3D模型。该模型采用高度可扩展的transformer架构，在包含大约100万个对象的海量多视图数据上进行端到端训练。该模型具有很强的通用性，并能够从各种测试输入中生成高质量的3D重建结果。