本文研究了多模式机器翻译（MMT）中视觉模态的贡献，提出通过视觉信息提升翻译质量的方法。介绍了Volta系统和VTNet等新技术，展示了它们在多模态翻译任务中的优越表现，并探讨了多模式大型语言模型（MLLMs）的架构和训练技术及其在视觉理解任务中的应用，为未来研究奠定基础。

本文探讨了多模式机器翻译（MMT）的新方法及数据集，旨在提高翻译质量。研究表明，MMT在视觉上下文下优于纯文本翻译，强调视觉数据集对模型训练的重要性。实验结果显示，视觉信号能显著改善翻译效果。

本文探讨了多模式机器翻译（MMT）在视觉上下文中的表现，提出了一种新方法和数据集以提升翻译质量。研究发现视觉信息对翻译的提升有限，强调了可解释性的重要性。通过优化视觉信号的利用，实验结果显示该方法显著提高了MMT模型的性能。

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。