Multimodal Large Language Model(MLLM)
1 CLIP
CLIP(Contrastive Language–Image Pre-training)的主要任务为图文匹配

- 计算cosine similarity。
- 对角线的 个为正样本,其他 为负样本。如果很大,会导致正负样本不平衡,所以需要对负样本进行采样,按照cosine similarity排序的Top N个负样本进行采样,作为采样后负样本。
- 目标是正样本的cosine similarity趋近于1,负样本的cosine similarity趋近于-1。

- A photo of a {object} 输入更加符合自然语言
- Zero-shot效果非常好,对于未见过的类别,准确率很高。也就是泛化能力很强。
2 BLIP
3 BLIP 2
4 LLaVA
5 miniGPT
6 Instruction BLIP
Reference
靠谱女士的组会分享[多模态大模型之clip,blip,blip–2,llava | Bilibili
CLIP 论文逐段精读【论文精读】 - 李沐
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· DeepSeek “源神”启动!「GitHub 热点速览」
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 我与微信审核的“相爱相杀”看个人小程序副业
· C# 集成 DeepSeek 模型实现 AI 私有化(本地部署与 API 调用教程)
· spring官宣接入deepseek,真的太香了~