本研究提出了一种新的方法来生成并行的视觉问答风格对，以促进跨模态交互。使用大型语言模型将探测信号显式建模为VQA风格数据，并在两个基准测试中验证了该方法的有效性。

本文研究了多模式机器翻译（MMT）模型在训练和评估时过拟合的问题，并提出了一种基于高效纯文本机器翻译（MT）模型的方法来解决。通过使用视觉 - 文本适配器层和门控机制，将MT模型逐步转换为MMT模型，并通过预训练和微调来提高性能。

本研究提出了一种新的方法来生成并行的视觉问答风格对，以促进跨模态交互。使用大型语言模型将探测信号显式建模为VQA风格数据，并在两个基准测试中验证了该方法的有效性。

本文介绍了一种新的方法来生成并行的视觉问答（VQA）风格对，使用大型语言模型（LLMs）将多模式机器翻译（MMT）中的探测信号显式建模为VQA风格数据，创建了Multi30K-VQA数据集，并引入了MMT-VQA多任务学习框架，验证了该新方法的有效性。

本文提出了一种新的方法来生成并行的视觉问答（VQA）风格对，以促进更强大的跨模态交互。使用大型语言模型（LLMs），将多模式机器翻译（MMT）中的探测信号显式建模为 VQA 风格数据，创建了 Multi30K-VQA 数据集，并引入了 MMT-VQA 多任务学习框架，将来自数据集的显式探测信号纳入 MMT 训练过程。在两个广泛使用的基准测试中验证了该新方法的有效性。