行業(yè)主要上市公司：阿里巴巴 ( 09988.HK，BABA.US ) ; 百度 ( 09888.HK，BIDU.US ) ; 騰訊 ( 00700.HK， TCEHY ) ;科大訊飛 ( 002230.SZ ) ;萬興科技 ( 300624.SZ ) ;三六零 ( 601360.SH ) ;昆侖萬維 ( 300418.SZ ) ; 云從科技 ( 688327.SH ) ;拓爾思 ( 300229.SZ ) 等

多模態(tài)大模型類型及綜合對比

視覺 + 語言的多模態(tài)大模型目前主流方法是：借助預訓練好的大語言模型和圖像編碼器，用一個圖文特征對齊模塊來連接，從而讓語言模型理解圖像特征并進行更深層的問答推理。這樣可以利用已有的大量單模態(tài)訓練數(shù)據(jù)訓練得到的單模態(tài)模型，減少對于高質量圖文對數(shù)據(jù)的依賴，并通過特征對齊、指令微調等方式打通兩個模態(tài)的表征。

多模態(tài)大模型類型 -CLIP

CLIP 是 OpenAI 提出的連接圖像和文本特征表示的對比學習方法。CLIP 是利用文本信息訓練一個可以實現(xiàn) zero-shot 的視覺模型。利用預訓練好的網(wǎng)絡去做分類。具體來說，給網(wǎng)絡一堆分類標簽，比如 cat，dog，bird，利用文本編碼器得到向量表示。然后分別計算這些標簽與圖片的余弦相似度 ; 最終相似度最高的標簽即是預測的分類結果。論文提到，相比于單純地給定分類標簽，給定一個句子的分類效果更好。比如一種句子模板 A photo of a.，后面填入分類標簽。這種句子模板叫做 prompt ( 提示 ) 。句子模板的選擇很有講究，還專門討論了 prompt engineering，測試了好多種類的句子模板。提示信息有多種，下圖可以看到它用不同的類別替換一句話中不同的詞，形成不同的標簽。

多模態(tài)大模型類型 -Flamingo

Flamingo 是一門多模態(tài)大型語言模型 ( LLM ) 于 2022 年推出。視覺和語言組件的工作原理如下：視覺編碼器將圖像或視頻轉換為嵌入 ( 數(shù)字列表 ) 。與 CLIP 不同，F(xiàn)lamingo 可以生成文本響應。從簡化的角度來看，F(xiàn)lamingo 是 CLIP + 語言模型，并添加了技術，使語言模型能夠根據(jù)視覺和文本輸入生成文本標記。Flamingo 的 4 個數(shù)據(jù)集：2 個 ( 圖像、文本 ) 對數(shù)據(jù)集、1 個 ( 視頻、文本 ) 對數(shù)據(jù)集和 1 個交錯的圖像和文本數(shù)據(jù)集。

多模態(tài)大模型類型 - BLIP

BLIP ( Bootstrapping Language-lmage Pretraining ) 是由 Salesforce 在 2022 年提出的多模態(tài)預訓練模型，它旨在統(tǒng)一視覺語言任務的理解與生成能力，并通過對噪聲數(shù)據(jù)的處理來提高模型性能口。BLIP 的創(chuàng)新主要有兩個方面：與 CLIP 相比，BLIP 不僅處理圖像和文本的對齊問題，還旨在解決包括圖像生成、視覺問答和圖像描述等更復雜的任務。BLIP 采用了 " 引導學習 " 的方式，通過自監(jiān)督的方式來增強模型對語言和視覺信息的理解。這些特點使其在處理圖像和文本數(shù)據(jù)方面展現(xiàn)了卓越的性能，成為眾多領域解決復雜問題的強大工具。

多模態(tài)大模型類型 -LLaMA

使用視覺編碼器 CLIP ViT-L/14+ 語言解碼器 LLaMA 構成多模態(tài)大模型，然后使用生成的數(shù)據(jù)進行指令微調。輸入圖片 X 經(jīng)過與訓練好的視覺編碼器的到圖片特征 Z，圖片特征 Z 經(jīng)過一個映射矩陣 W 轉化為視覺 Token H，這樣 Vison Token Hv 與 Language Token Hq 指令就都在同一個特征空間，拼接后一起輸入大模型。這里的映射層 W 也可以替換為更復雜的網(wǎng)絡來提升性能，比如 Flamingo 中用的 gated cross-attentio，BLIP-2 中用的 Q-former。

前瞻網(wǎng)