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。