多模态模型（Multimodal Model）

多模态模型通过统一表示不同模态数据，实现跨模态理解和生成。背景源于人类感知的多模态特性，技术说明包括对比学习（如CLIP）、跨模态注意力（如Flamingo）和扩散模型（如Stable Diffusion）。代表工作有Google的Gemini和OpenAI的GPT-4o，支持图像描述、视觉问答等任务。