Mini-Gemini est un modèle multimodal développé par l'équipe du professeur Jia Jia Ya, professeur titulaire à l'Université chinoise de Hong Kong. Il possède des capacités précises de compréhension d'images et s'appuie sur des données d'entraînement de haute qualité. Ce modèle, qui combine inférence et génération d'images, est disponible en différentes tailles, offrant des performances comparables à celles de GPT-4 et DALL-E 3. Mini-Gemini utilise la méthode d'extraction d'informations à double branche visuelle de Gemini et la technologie SDXL. Il encode les images via un réseau convolutif et exploite un mécanisme d'attention pour extraire les informations, tout en combinant un LLM pour générer du texte reliant les deux modèles.