助力多媒体

**划重点:**1.🌐**多模态能力:**NExT-GPT可处理文本、图像、视频和音频，为开发者提供强大的多模态语言模型。2.🧠**架构与训练:**采用三层架构，包括线性投影、VicunaLLM核心和模态特定的转换层。通过MosIT技术进行中间层的训练。