

الذكاء الاصطناعي والحوسبة
بنية نموذج لغوي كبير متعدد الوسائط
- التكوين:
- فرعا إدخال يصبان في نموذج واحد
- نسبة العرض إلى الارتفاع:
- 16:9
المطالبة
أنشئ مخطط بنية لـ【نموذج لغوي كبير متعدد الوسائط】، من اليسار إلى اليمين. ارسم العلاقات الآتية كما وردت تماماً دون زيادة:
1. 【الفرع العلوي: أيقونة صورة ثم مشفر بصري ثم طبقة إسقاط】.
2. 【الفرع السفلي: أيقونة نص ثم مجزئ إلى رموز】.
3. 【يلتقي الفرعان في كتلة LLM كبيرة واحدة】.
4. 【ينتج النموذج اللغوي الكبير استجابة تمثل بفقاعة كلام】.
التسميات (استخدم كل تسمية مرة واحدة فقط، دون أي نص آخر): 【Image, Vision encoder, Projector, Text, Tokenizer, LLM, Response】.
الأسلوب: مخطط تخطيطي بأسلوب المجلات العلمية. رسوم متجهية مسطحة ونظيفة على خلفية بيضاء. الوحدات مستطيلات مستديرة الزوايا أو أيقونات بسيطة بأسمائها القصيرة داخلها؛ تجمع لوحات باستيلية فاتحة الطبقات المرتبطة. استخدم 3–4 ألوان هادئة فقط، ولكل لون معنى ثابت. أسهم رفيعة ومتجانسة لتدفق البيانات أو الطاقة أو المادة أو التأثير؛ وأسهم متقطعة للعلاقات غير المباشرة أو التغذية الراجعة. تسميات إنجليزية فقط بخط غير مذيل، كل تسمية مرة واحدة بالتهجئة المحددة تماماً. لا تصيير ثلاثي الأبعاد أو ظلال أو توهج أو زخارف سايبربانك أو خلفيات تقنية أو واقعية فوتوغرافية.
يفتح Yila بهذه المطالبة مع المثال كصورة مرجعية.
أُنشئت الأمثلة باستخدام Nano Banana. تعمل المطالبة أيضاً مع GPT Image ونماذج الصور الأخرى، وتختلف النتائج بحسب النموذج.






