LLaMA-VID: An Image is Worth 2 Tokens in Large Language Models

作者：Yanwei Li, Chengyao Wang, Jiaya Jia · 发表于：Lecture notes in computer science · 年份：2024 · DOI：10.1007/978-3-031-72952-2_19 · 被引用次数：111 · 研究领域：Multimodal Machine Learning Applications、Topic Modeling、Natural Language Processing Techniques