النموذج اللغوي البصري

نموذج يجمع بين فهم الصور أو الفيديو وتوليد النصوص، حيث يستقبل مدخلات بصرية ونصية معاً وينتج ناتجاً نصياً مشروطاً بكلا الوسيطتين.

A model that combines visual understanding (images or video) with text generation, accepting both visual and textual inputs and producing text output conditioned on both modalities.