多模态大模型旨在通过在大规模无标注/弱标注数据上进行自监督学习，实现对多模态信息的提取和融合，学习通用知识表征并在少量标注数据上微调，提高模型在多种下游任务上的性能。

      多模态大模型可用于文本生成图像、视觉问答、视觉定位、图像描述生成等广泛下游任务：