多模态预训练大模型成为人工智能基础设施。
人工智能正在从文本、语音、视觉等单模态智能，向着多种模态融合的通用人工智能方向发展。多模态统一建模，目的是增强模型的跨模态语义对齐能力，打通各个模态之间的关系，使得模型逐步标准化。目前，技术上的突出进展来自于CLIP（匹配图像和文本）和BEiT-3
（通用多模态基础模型）。基于多领域知识，构建统一的、跨场景、多任务的多模
多模态预训练大模型成为人工智能基础设施。
人工智能正在从文本、语音、视觉等单模态智能，向着多种模态融合的通用人工智能方向发展。多模态统一建模，目的是增强模型的跨模态语义对齐能力，打通各个模态之间的关系，使得模型逐步标准化。目前，技术上的突出进展来自于CLIP（匹配图像和文本）和BEiT-3
（通用多模态基础模型）。基于多领域知识，构建统一的、跨场景、多任务的多模