VILA: ビジュアル言語モデルの事前トレーニングについて

ビジュアル言語モデルの事前トレーニングにおける設計オプションの効果的な探索と、VILAがテキスト専用機能を保持しながら視覚タスク向けに拡張されたことを探求しました。