Robuste Feinabstimmung von Nullstellen-Modellen mit Hilfe von zufälliger Textanleitung

Eine neuartige Methode zur robusten Feinabstimmung von Nullstellen-Modellen, die die Sprach- modellkomponente effektiv nutzt, um die Verbindung zwischen dem Bild- und Sprachmodell während des Feinabstimmungsprozesses aufrechtzuerhalten.