multimodal दृश्य एन्कोडिंग को अलग-अलग घटकों में विभाजित किया जा रहा है।
नियंत्रित अध्ययन में पाया गया है कि multimodal मॉडलों को संयुक्त रूप से प्रशिक्षित और प्रारंभिक, पूर्व-प्रशिक्षित दृष्टि एन्कोडरों की आवश्यकता नहीं होती है।
नियंत्रित अध्ययन में पाया गया है कि multimodal मॉडलों को संयुक्त रूप से प्रशिक्षित और प्रारंभिक, पूर्व-प्रशिक्षित दृष्टि एन्कोडरों की आवश्यकता नहीं होती है।