317.论文阅读笔记：《Visual ChatGPT: Talking, Drawing and Editing with Visual Foundation Models》，MS的工作
并不是训练了一个模型，而是多个foundation model的整合，构建了一个系统。这个系统能干啥？
（1）发送和接收文本+图片 （2）能够通过多个ai基础模型的多个步骤完成复杂的视觉问答和图片编辑指令 （3）providing feedback and asking for corrected results
这套系统尚存在的问题： （1）依赖ChatGPT和VFM （2）比较依赖prompt工程 （3）实时性差 （4）输入token限制（关于这点，印象中有一个相关工作能够一定程度上缓解） （5）安全和隐私
补充：在多模型整合上，除了各种vfms，用了langchain的工作。