Multimodalita a budúcnosť jazykových modelov
Multimodálne jazykové modely (CLIP, Lava, Quen, Chameleon) predstavujú významný krok v AI. Dokážu spracovávať text, obrázky, zvuk a video, čím otvárajú nové možnosti porozumenia sveta. Transformátory zostávajú kľúčové, no výzva spočíva v prevode dát do tokenov.