TIPSv2 da DeepMind: Novo Encoder de Visão-Linguagem Impulsiona Desempenho Multimodal

O TIPSv2 aprimora o pré-treinamento de visão-linguagem combinando distillation, objetivos self-supervised aprimorados e dados de legendas mais ricos. Os modelos resultantes alcançam um desempenho robusto em tarefas multimodais, com ganhos notáveis em zero-shot segmentation.