हाल ही में, झेजियांग विश्वविद्यालय और अलीबाबा दमोउ院 ने एक उल्लेखनीय अध्ययन जारी किया है, जिसका उद्देश्य शिक्षण वीडियो के माध्यम से उच्च गुणवत्ता वाली मल्टी-मोडल पाठ्यपुस्तक बनाना है। यह नवोन्मेषी अनुसंधान परिणाम न केवल विशाल भाषा मॉडल (VLMs) के प्रशिक्षण के लिए नई दृष्टियां प्रदान करता है, बल्कि यह शैक्षिक संसाधनों के उपयोग के तरीके को भी बदल सकता है। आर्टिफिशियल इंटेलिजेंस तकनीक के तेजी से विकास के साथ, VLMs का पूर्व-प्रशिक्षण डेटा मुख्य रूप से चित्र-लेख डेटा और चित्र-लेख मिश्रित डेटा पर निर्भर करता है। हालाँकि, वर्तमान डेटा ज्यादातर वेब से आता है, जिसमें पाठ और चित्रों के बीच संबंध कम होता है, और ज्ञान घनत्व भी अपेक्षाकृत कम है।