韩诏锦赢

。视觉基础模型与以往工作的区别是多模态对话系统的构建，这种构建需要与之适应的语言模型。 而视觉与语言的合作通道仍未有效建立，不同模态间的跨模态转化梯度和维度等方面依旧有许多关键问题等待探索。