CoDi-2 是一种多功能的多模态大型语言模型,可以理解复杂的多模态交错指令和上下文示例,执行上下文学习和推理,并生成连续特征空间中的接地和相干多模态输出。该模型在主题驱动图像生成、视觉转换和音频编辑等任务上超越了以前的特定领域模型。然而,CoDi-2 仍然存在一些挑战,包括多模态生成的零射细粒度和复杂的用户控制,以及用户和模型的交互通常被限制在单轮。