ATTQL

摘要： 本文仅大致记录了整个模型，注重点为视频预测部分 类似通用的模型，主要处理CV方面，包括多项从文本到视觉的任务。 提出的关键点： 一、数据处理 将文本、图像、视频数据均处理成为一个$HWT*D$的张量（HW为空间维度长宽、T为时间维度、D为向量的长度）. 文本通过BPE处理为$11s*d$的张量，s为 阅读全文