交错图文对齐

交错图文对齐（Interleaved Image-Text Alignment）利用交错排列的图像-文本响应来建立跨模态联系，在选定实体上提供引导能改善模型对其他实体的知识获取，且不需要问答监督信号的直接参与。

交错图文对齐借鉴了交错图文预训练的思路，如 Flamingo、OpenFlamingo 等工作中所采用的跨模态注意力结构。