🌐Мультимодальные модели
Объединение текста, изображений, аудио, видео. CLIP (OpenAI 2021): контрастивное обучение image-text пар (400M). GPT-4V (2023): понимание изображений. Gemini (Google 2023): нативная мультимодальность. LLaVA (open-source vision-language). Применение: image captioning, visual QA, text-to-video (Sora 2024).
📖6 мин чтения📊Уровень 6🗺️2 подтем📅19 февраля 2026 г.
🗺️ Mind Map
Загрузка карты...
❓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.