↑: [[G検定に関する知識]] - 1つのモデルで複数タスクをこなすマルチモーダルモデル - 対応タスク：画像分類・物体検出・セグメンテーション・画像説明・VQA - 入出力を統一した形式（トークン列）で表現することで実現 - cf. [[マルチモーダル]], [[マルチタスク学習]], [[基盤モデル]] - 本質：テキスト・画像・音声・動画などを共通の**離散トークン列**に変換し、**単一のTransformer**で系列変換問題として統一処理する - ひっかけ：「モダリティごとに最適化した専用CNNを複数組み合わせる」は誤り ← 重要