ली फेई फेई की टीम ने एक नई कई-मोडल मॉडल पेश की है, जो मानव क्रियाओं को समझने और उत्पन्न करने में सक्षम है, और भाषा मॉडल को संयोजित करके मौखिक और गैर-मौखिक भाषा के एकीकृत प्रसंस्करण को प्राप्त किया है। यह breakthrough अनुसंधान मशीनों को न केवल मानव निर्देशों को समझने में सक्षम बनाता है, बल्कि क्रियाओं में निहित भावनाओं को भी समझता है, जिससे मानव-मशीन इंटरैक्शन अधिक स्वाभाविक हो जाता है। इस मॉडल का मुख्य आधार इसके कई-मोडल भाषा मॉडल ढांचे में है, जो ऑडियो, क्रियाएँ और टेक्स्ट जैसे कई विभिन्न रूपों में इनपुट स्वीकार कर सकता है और आवश्यक मोड डेटा आउटपुट कर सकता है। जनरेटिव प्री-ट्रेनिंग रणनीति के संयोजन से, यह मॉडल