बाइट्स का बड़ा मॉडल BuboGPT पाठ, छवि, और ऑडियो तीन प्रकार के मोड की细粒度 मल्टीमॉडल संयुक्त समझ का समर्थन करता है। BuboGPT दृश्य स्थिति करने की विधि का परिचय देकर चित्र में वस्तुओं के स्थान को सटीक रूप से पहचान सकता है। शोधकर्ताओं ने मल्टीमॉडल निर्देश अनुकूलन के प्रशिक्षण योजना का उपयोग करके BuboGPT को मल्टीमॉडल कार्यों पर अच्छे परिणाम प्राप्त किए हैं।