주제가 카메라 영상 화질 정량 평가 및 자연어 정성 평가를 동시 생성하는 알고리즘 개발이라고 되어있는데 모델을 멀티 아웃풋 하나의 모델로 작성을 해야한다는 의미인가요?

아니면  mos prediction, captiong 학습은 개별모델 따로해도 되고  추론 파이프라인에서 output이 동시 생성만 되면 된다는 의미인가요?