文本生成方法、装置、电子设备及可读存储介质

本申请涉及人工智能技术领域，提供了一种文本生成方法、装置、电子设备及可读存储介质。该方法包括：获取输入图像和输入文本对应的图像特征和文本特征；并对其进行拼接，得到图文特征；将图像特征、文本特征和图文特征输入至多模态大语言模型，分别对图像特征、图文特征和文本特征进行特征提取，得到图像关键特征、图文关键特征以及文本关键特征；分别将图像关键特征和文本关键特征与图文关键特征进行交互，得到第一交互特征和得到第二交互特征；根据第一交互特征、第二交互特征以及图文特征，得到目标融合特征，并根据目标融合特征，得到目标生成文本。本申请可以实现图像特征和文本特征的深度融合，提高模型在复杂视觉场景的语言描述的能力。