支持文本图像视频输入

要点:1、MMICL在多模态能力评测中表现突出，支持文本图像视频三种模态输入。2、采用两阶段训练，可实现“现学现卖”，有效缓解视觉语言模型中的语言偏见。3、已开源可商用的Flan版和仅科研用的Vicuna版，都发布在GitHub。最近，北京交通大学等机构联合推出了新多模态大模型MMICL。它支持文本、图像、视频三种模态的混合输入，在多项多模态能力评测中表现抢眼。