Un profesional de IA está creando una aplicación de búsqueda que necesita manejar consultas que contengan tanto texto como imágenes. ¿Qué tipo de modelo fundacional es el más adecuado para impulsar esta búsqueda multimodal?

Un modelo de incrustación multimodal es el más adecuado porque puede procesar y representar datos de múltiples modalidades (texto e imágenes) en un espacio vectorial común. Esto permite comparar y recuperar consultas que combinan texto e imágenes de manera efectiva. Un modelo de incrustación de texto solo manejaría el texto, ignorando las imágenes. Un modelo de generación multimodal crea contenido nuevo a partir de múltiples entradas, no es para búsqueda. Un modelo de generación de imágenes crea imágenes, lo cual no es el objetivo de una aplicación de búsqueda multimodal.