画像質問応答（Visual Question Answering），画像キャプショニング，画像物体検出，画像分類などのタスクを学習し実行するための，エンドツーエンドで学習可能なタスク非依存型の視覚・言語アーキテクチャGPV-1を提案．入力は，画像とテキスト．出力は，バウンディングボックス，信頼度，テキスト．

GPV-1を，ViLBERT（画像質問応答），VLP（画像キャプショニング），Faster-RCNN（画像物体検出），Resnet-50（画像分類）と比較．GPV-1はこれらの複数のタスクで有効であり，汎用性を証明．

GPV-1は，画像生成ヘッドを持たないため，画像セグメンテーションなどは実行できない．また，動画や点群などの入力も扱えない．