探索云世界
多模态模型是迄今为止最先进的，因为它们可以接受多种不同的输入方式(例如语言、图像、语音、视频) ，并且在某些情况下产生不同的输出模态。
写回答
推荐一篇论文，感兴趣可以看看 Vision-Language Pre-training: Basics, Recent Advances, and Future Trends 地址：https://arxiv.org/pdf/2210.09263v1.pdf
