盘点 2024 年的视觉语言模型VLMs

文章预览

前言   近年来，已有大量关于 VLMs 的综述文章 An Introduction to Vision-Language Modeling，Vision-Language Models for Vision Tasks: A Survey。因此，本博文将跳过基础介绍，直接聚焦于 2024 年的最新研究趋势。 Pytorch训练营，花两个星期彻底掌握代码实现 CV各大方向专栏与各个部署框架最全教程整理 CV全栈指导班、基础入门班、论文指导班 全面上线!! 来源：青稞AI 链接：https://zhuanlan.zhihu.com/p/7827587018 仅用于学术分享，若侵权请联系删除 1 引言 视觉语言模型（Vision Language Models, VLMs）是一类生成模型，能够同时从图像和文本中学习以解决多种任务。 视觉语言模型被广义定义为能够从图像和文本中学习的多模态模型。这类生成模型以图像和文本为输入，生成文本（或图像）作为输出。大型视觉语言模型在零样本学习中表现出色，具有良好的泛化能力，并能够处理多种类 ………………………………