Zero-shot Multimodal Document Retrieval via Cross-modal Question Generation
机构 * Yonsei University（延世大学） ； Seoul National University（首尔国立大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.AI
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
