هوش مصنوعی چندوجهی تصویر و متن را در یک فضای مشترک می‌فهمد. در این قسمت ایده CLIP و طبقه‌بندی بدون نمونه، ترکیب CLIP و VQGAN برای تولید تصویر، مدل‌های بینایی-زبانی امروزی و طراحی یک دستیار دومرحله‌ای را یاد می‌گیرید که اول توصیف تصویر را ثبت می‌کند و بعد بر اساس همان شواهد پاسخ می‌دهد.
