↑: [[G検定に関する知識]] - 画像・テキスト・音声など複数種類のデータ（モダリティ）を組み合わせて処理するAI - 主要タスク - **Image Captioning**：画像→テキスト（画像の説明文を生成） - **[[VQA]]**：画像＋テキスト質問→テキスト回答 - **Text-to-Image**：テキスト→画像（Stable Diffusion・DALL-Eなど）