マルチモーダルトランスフォーマー

FLAVA (Foundational Language and Vision Alignment)

シンプルなTransformerアーキテクチャを持つ統合マルチモーダル基盤モデルで、テキストのみ、画像のみ、マルチモーダルデータで同時に事前学習されています。

← 戻る