多模态预训练大模型

基于多模态的预训练大模型将实现图文音统一知识表示，成为

人工智能基础设施。

人工智能正在从文本、语音、视觉

等单模态智能，向着多种模态融合的通

用人工智能方向发展。多模态统一建模，

目的是增强模型的跨模态语义对齐能力，

打通各个模态之间的关系，使得模型逐

步标准化。目前，技术上的突出进展来

自于 CLIP （匹配图像和文本）和 BEiT-3

（通用多模态基础模型）。基于多领域知

识，构建统一的、跨场景、多任务的多

模态基础模型已成为人工智能的重点发

<