نسخة أولية وصول مفتوح
تحسين التصحيح الذاتي لتوليد الوسائط المتعددة المتداخلة
حققت نماذج اللغة الكبيرة متعددة الوسائط (MLLMs) تقدماً ملحوظاً في الفهم البصري والتوليد. غير أن توليد محتوى متداخل من الصور والنص ما زال صعباً، لأنه يتطلب قدرات متكاملة بإحكام في الفهم والتوليد متعدد الوسائط. ورغم أن النماذج القائمة تقدم حلولاً واعدة، فإن معظمها يعتمد على تدريب إضافي ببيانات معززة، وهو مكلف حوسبياً ويظ …