文章预览
作者 | Dreamweaver 编辑 | 具身智能之心 原文链接：https://zhuanlan.zhihu.com/p/693885420 点击下方 卡片 ，关注“ 具身智能之心 ”公众号 本文只做学术分享，如有侵权，联系删文 本文回顾了多模态LLM (视觉-语言模型) 近一年来的模型架构演进，对其中有代表性的工作进行了精炼总结，截止2024.04，持续更新ing... 欢迎大家多多点赞、收藏、讨论 首先，推荐一篇启发我很多的综述和对应的项目地址（本文的封面图也来自该综述） A Survey on Multimodal Large Language Models arxiv.org/abs/2306.13549 Awesome-Multimodal-Large-Language-Models github.com/BradyFU/Awesome-Multimodal-Large-Language-Models 这篇综述一张图总结了多模态LLM的典型架构： BLIP 【2022.01发布】https://arxiv.org/abs/2201.12086 统一视觉-语言理解和生成，使用captioner+filter高效利用互联网有噪数据 模型架构： Image/text encoder : ITC loss对齐视觉和
………………………………
