إذا لم يكن لديك وقت للتفصيل الكامل لـ MM1، فإن هذه المراجعة السريعة تعطيك الأساسيات في بضع دقائق: ما الذي بنته Apple، وماذا تعلموا من الدراسات الاستئصالية على المعمارية والبيانات، وقرارات التصميم التي تحرك الإبرة فعلاً عند التدريب المسبق لنموذج لغوي متعدد الأنماط. وهي موجهة للمهندسين والباحثين الذين يريدون الملخص السريع قبل الاقتناع بالخوض في الورقة نفسها، أو قبل المراهنة على قرارات معمارية على stack MLLM الخاص بهم.

النقاط البارزة: محرر الصور مع دقة الصورة وعدد رموز الصور يحمل معظم الأداء متعدد الأنماط، بينما تصميم موصل الرؤية واللغة له تأثير محدود نسبياً. مزيج دقيق من image-caption و interleaved image-text و text-only data هو ما يحرك نتائج SOTA few-shot عبر المقاييس القياسية، لا نوع بيانات واحد يقوم بالعمل وحده. تطبيق الصيغة ينتج MM1، عائلة من النماذج حتى معاملات 30B تمتد عبر متغيرات كثيفة و mixture-of-experts، والتدريب المسبق ينعكس في قدرات ناشئة مثل enhanced in-context learning و multi-image reasoning و few-shot chain-of-thought prompting. اضغط على التشغيل للمرور السريع عبر منهجية Apple متعددة الأنماط بدون وزن الورقة الكاملة.