Meta 与牛津研究发现多模态模型图像生成所需数据极少

Meta 与牛津大学的研究发现，若从一开始就将语言和视觉理解联合训练，多模态模型生成图像可能只需极少图像数据，语言训练本身已能帮助模型理解视觉。