G検定（ジェネラリスト検定） ディープラーニングの応用例 練習問題 第23問: 画像と言語を組み合わせて扱うモデルに関する説明として、最も適切なものはどれか。

肢4が正解です。CLIPの論文（Radford ほか, 2021）は、インターネットから集めた画像と文章の組を使い、どの文章がどの画像に対応するかを当てる事前学習を行い、学習後は視覚の概念を自然言語で参照することで、追加の学習なしに下流のタスクへ移せることを示しました。

肢1は誤りで、DALL-Eの論文は文章から画像を生成するモデルです。

肢2は誤りで、基盤モデルは広いデータで大規模に学習し、多様な下流のタスクに適応できるモデルを指します（Bommasani ほか）。

肢3は誤りで、Flamingoは画像と文章を入力に取る視覚言語モデルで、少数の例から新しいタスクに適応します。