瑞士洛桑联邦理工学院（EPFL）和苹果公司合作开发的4M框架，为多模态视觉基础模型的训练提供了一种高效且可扩展的解决方案。该框架巧妙地利用Transformer技术，并通过模态特定标记器处理不同类型的输入数据，有效地克服了跨模态训练的诸多挑战。其创新之处在于采用输入和目标掩码方式进行训练，在多个视觉任务中展现出优异的性能。
瑞士洛桑联邦理工学院与苹果联手推出的4M框架解决了跨多模态视觉基础模型训练的挑战。该框架采用Transformer技术，通过模态特定标记器处理多种输入模态，提高了可扩展性与效率。通过输入和目标掩码方式进行训练，4M在多个视觉任务上表现出色，展现了巨大的潜力。
4M框架的出现，标志着多模态视觉基础模型训练技术取得了显着进展，为未来人工智能应用的拓展提供了坚实的基础。其高效性和可扩展性将推动更多创新应用的出现，值得持续关注和深入研究。