動的オーディオビジュアルシナリオでの質問に答えるためのマルチモーダル大規模言語モデルの強化

動的なオーディオビジュアルシナリオでの質問に対する正確な回答を提供するために、CATはマルチモーダル大規模言語モデルを強化します。