A vision-language model that unifies vision-language understanding and generation tasks.
主要分为两块工作：
- 去除图文检索所使用的数据集中的噪声
- vision language understanding and generation
Model
Noise Filtering
Caption 模型生成图像文本对，然后Filt将caption和真实互联网数据（可能存在噪声）进行对比，如果差异过大则使用Caption模型生成的结果
Understanding & Generation
