Мультимодальные модели
🌐Multimodal Models
Integrating text, images, audio, and video. CLIP (OpenAI 2021) uses contrastive learning on image-text pairs (400M). GPT-4V (2023) understands images. Gemini (Google 2023) features native multimodality. LLaVA (open-source vision-language) is used for image captioning and visual QA
Article body and graph labels may still appear in Russian where English translations have not been added yet.
Loading map...
❓Часто задаваемые вопросы
Мультимодальные модели — это тема о правилах, механизмах и практиках в своей области. Она помогает понять, как принимаются решения и к каким последствиям они приводят.