Как мультимодальные модели учатся понимать товар, а не просто картинку

Статья описывает эволюцию моделей в электронной коммерции от простого визуального поиска к мультимодальным представлениям, объединяющим изображения, текстовые описания и атрибуты товаров. Рассматриваются конкретные архитектуры и подходы, такие как e-CLIP, MOON и их последующие версии, а также AFMRL.