Генерація детального текстового опису для зображення за допомогою авторегресійного декодера.

Попіксельне відновлення замаскованих ділянок зображення за допомогою текстових підказок (prompts).

Максимізація косинусної подібності між ембедінгами відповідних пар зображення-текст та мінімізація для невідповідних пар за допомогою контрастивного навчання.

Прогнозування наступного слова в реченні на основі послідовності попередніх слів та статичного ембедінгу зображення.