北大联合腾讯打造了一个多模态15边形战士！以语言为中心，“拳打脚踢”视频、音频、深度、红外理解等各模态。提出LanguageBind的多模态预训练框架。LanguageBind包含三个部分： 多模态编码器（Multi-modal Encoders），语言编码器(Language Encoder)，以及多模态联合学习
