多模态视觉-语言大模型的架构演进

AIGC动态欢迎阅读

原标题：多模态视觉-语言大模型的架构演进
关键字：图像,视觉,知乎,侵权,指令
文章来源：算法邦
内容字数：0字

内容摘要：

直播预告 | 6月6日晚7点，「智猩猩AI新青年讲座」第238讲正式开讲，香港大学CVMI Lab在读博士 杨霁晗将直播讲解《V-IRL：根植于真实世界的AI Agents》，欢迎扫码报名导读本文来自知乎,作者为Dreamweaver。本文只做学术/技术分享,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。
原文链接:
https://zhuanlan.zhihu.com/p/693885420首先，推荐一篇启发我很多的综述和对应的项目地址A Survey on Multimodal Large Language Models
arxiv.org/abs/2306.13549Awesome-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/2201.1208

原文链接：多模态视觉-语言大模型的架构演进

联系作者

文章来源：算法邦
作者微信：allplusai
作者简介：智猩猩矩阵账号之一，聚焦生成式AI，重点关注模型与应用。