多模态模型

概述

能够处理和生成多种模态（文本、图像、音频等）数据的 AI 模型。

关键内容

1. GPT-4：支持文本和图像输入，实现跨模态理解和推理。
2. CLIP：建立文本和视觉的统一表示空间，实现图文对齐。
3. DALL-E：从文本生成图像，实现跨模态生成。

来源

• ai_papers_timeline.md — 2021、2023 年时间线条目

相关

• GPT 系列 — implemented_by
• CLIP — implemented_by
• DALL-E — implemented_by