↑: [[G検定に関する知識]] - 複数種類のデータ（画像・文章・音声など）を同時に扱うAIの手法 - モダリティ（modality）= データの種類（画像、テキスト、音声など） - 代表的な3大タスク：①イメージ・キャプショニング ②テキスト・トゥ・イメージ ③VQA - cf. [[CLIP]], [[DALL-E]], [[Flamingo]], [[Unified-IO]], [[基盤モデル]]