マルチモーダル大規模言語モデルのための訓練不要の視覚プロンプト学習

マルチモーダル大規模言語モデルの注意機構を利用し、学習可能な潜在変数の最適化によって視覚プロンプトを注入することで、追加の訓練なしに詳細な領域記述と推論を可能にする。