Оптимизация самокорректировки для интерлидированного мультимодального поколения
arXiv:2610.10400v1 Вид уведомления: новое резюме: мультимодальные крупные языковые модели (MLMs) добились значительного прогресса в визуальном понимании и формировании. Вместе с тем формирование интерпретированного изображения - текстовое содержание по-прежнему сопряжено со значительными трудностями, поскольку для этого требуется плотно интегрированный мультимодальный подход и возможности получения информации. Несмотря на то, что существующие ММЛС обеспечивают перспективные решения, большинство из них полагаются на дополнительную подготовку с расширенными данными, которая является расчетно дорогостоящей и остается ограниченной в плане сохранения визуальных предметов, временнóй согласованности и физической достоверности. В этой работе мы предлагаем оптимизацию самокорректировки (СОС) - эффективный метод, не предусматривающий профессиональной подготовки для последовательного создания межслева. ШОС рассматривает обновление руководящих указаний без классификации в качестве справочного материала и осуществляет минимальную самокорректацию при двух дополнительных ограничениях, включая новые мероприятия и государственные ограничения. В частности, ограничение нового поколения способствует временной последовательности в разных последовательностях изображения - текстовых последовательностей, а статистика
