মাল্টিমোডাল ট্রান্সফরমার
ALBEF (এলাইন বিফোর ফিউজ)
একটি ভিশন-ল্যাঙ্গুয়েজ মডেল যা টেক্সট এবং ইমেজ রিপ্রেজেন্টেশনকে ফিউজ করার আগে এলাইন করার জন্য কনট্রাস্টিভ প্রি-ট্রেনিং ব্যবহার করে, ইন্টারঅ্যাকশনের গুণমান উন্নত করে।
← ফিরে যান