Um profissional de IA está desenvolvendo um aplicativo de busca que precisa lidar com consultas contendo texto e imagens. Qual tipo de modelo de base é o mais adequado para alimentar essa busca multimodal?

Um modelo de embedding multimodal é o mais adequado porque ele pode processar e representar dados de diferentes modalidades (texto e imagem) em um espaço vetorial comum. Isso permite que o sistema de busca compare e recupere itens relevantes, independentemente de a consulta ser textual, visual ou uma combinação de ambos. Um modelo de embedding de texto só processaria texto, ignorando as imagens. Um modelo de geração multimodal ou de geração de imagem são projetados para criar novos dados (texto ou imagem), não para criar representações para busca e comparação.