截至目前，Midjourney尚未回复Hyperallergic的评论请求，而这一事件也进一步引发了对未受监管的生成式人工智能发展的担忧，包括未来就业和版权侵犯的指控，促使了更多的诉讼和国会听证会。
该编码器具有多项功能。首先，它能够增强视觉感知能力，通过提供额外的视觉编码器，使MLLM能够更好地理解和分析图像内容。其次，VCoder能够处理特殊类型的图像，例如分割图和深度图。分割图能够帮助模型识别和理解图像中不同物体的边界和形状，而深度图则提供了物体距离相机远近的信息。最后，VCoder改善了对象感知任务的表现。通过提供额外的感知模态输入，如分割图或深度图，它显著提高了MLLM的对象感知能力，包括更准确地识别和计数图像中的对象。
与GPT-4V进行比较时，实验发现GPT-4V在所有对象识别任务中表现一致，但在对象级感知方面落后于VCoder。
CogAgent还提供了可视化代理的能力，能够返回任何给定任务的计划、下一步行动和带有坐标的具体操作。它还增强了与图形用户界面相关的问题解答功能，可以处理与网页、PC应用程序、移动应用程序等任何图形用户界面截图相关的问题。另外，通过改进预培训和微调，CogAgent还增强了OCR相关任务的能力。这些功能的提升使得CogAgent在多个基准测试上实现了最先进的通用性能。
语音自动生成字幕: 工具具备自动生成字幕的功能，用户可以在软件中对生成的字幕进行灵活编辑，确保最佳的翻译效果。