हाल ही में, मल्टीमॉडेल बड़े मॉडल के अनुसंधान और अनुप्रयोग में महत्वपूर्ण प्रगति हुई है। विदेशी कंपनियों जैसे OpenAI, Google, Microsoft ने एक श्रृंखला में उन्नत मॉडल पेश किए हैं, और देश में Zhiyu AI, Jieduan Xingchen जैसी संस्थाएं भी इस क्षेत्र में सफलताएँ हासिल कर चुकी हैं। ये मॉडल आमतौर पर दृश्य विशेषताओं को निकालने और बड़े भाषा मॉडल के साथ मिलाने के लिए दृश्य एन्कोडर पर निर्भर करते हैं, लेकिन प्रशिक्षण में अलगाव के कारण दृश्य व्युत्पत्ति पूर्वाग्रह की समस्या उत्पन्न होती है, जिससे मल्टीमॉडेल बड़े मॉडल की तैनाती दक्षता और प्रदर्शन पर सीमाएँ रहती हैं।