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।

वोल्कैन इंजन ने हाल ही में वीडियो क्लाउड तकनीकी सम्मेलन में एक महत्वपूर्ण नवाचार की घोषणा की: बड़ा मॉडल प्रशिक्षण वीडियो पूर्व-प्रसंस्करण योजना। यह तकनीक दौबाओ वीडियो जनरेशन मॉडल में सफलतापूर्वक लागू की गई है, जो AI वीडियो जनरेशन तकनीक में एक महत्वपूर्ण प्रगति को दर्शाती है। वोल्कैन इंजन के अध्यक्ष तान डाई ने जोर देकर कहा कि AIGC और मल्टी-मोडल तकनीक उपयोगकर्ता अनुभव में गहरा परिवर्तन ला रहा है। डौइंग के व्यावहारिक अनुभव के आधार पर, वोल्कैन इंजन AI बड़े मॉडल और वीडियो तकनीक के संयोजन का सक्रिय रूप से अन्वेषण कर रहा है, कंपनियों के लिए सभी-समावेशी समाधान प्रदान कर रहा है। डौइंग समूह के वीडियो आर्किटेक्चर प्रमुख वांग युए ने इस ओर इशारा किया कि बड़े मॉडल प्रशिक्षण कई चुनौतियों का सामना कर रहा है।