摘要： 多模态大模型（MLLMs）是一类结合了大型语言模型（LLMs）的自然语言处理能力与对其他模态（如视觉、音频等）数据的理解与生成能力的模型。 旨在通过整合文本、图像、声音等多种类型的输入和输出，提供更加丰富和自然的交互体验。 A Survey on Multimodal Large Language 阅读全文