النماذج متعددة الوسائط

الترميز البصري

تقنية تقسم الصورة إلى سلسلة من الرقع أو الرموز المنفصلة، غالبًا عبر شبكة عصبية مثل محول الرؤية (ViT)، لجعلها متوافقة مع بنية المحولات النصية.

← رجوع