AIGC動態歡迎閱讀

原標題：多模態視覺-語言大模型的架構演進
關鍵字：圖像,視覺,知乎,侵權,指令
文章來源：算法邦
內容字數：0字

內容摘要：

直播預告 | 6月6日晚7點，「智猩猩AI新青年講座」第238講正式開講，香港大學CVMI Lab在讀博士 楊霽晗將直播講解《V-IRL：根植于真實世界的AI Agents》，歡迎掃名導讀本文來自知乎,作者為Dreamweaver。本文只做學術/技術分享,如有侵權,聯系刪文。
本文回顧了多模態LLM (視覺-語言模型) 近一年來的模型架構演進，對其中有代表性的工作進行了精煉總結。
原文鏈接:
https://zhuanlan.zhihu.com/p/693885420首先，推薦一篇啟發我很多的綜述和對應的項目地址A Survey on Multimodal Large Language Models
arxiv.org/abs/2306.13549Awesome-Multimodal-Large-Language-Models
github.com/BradyFU/Awesome-Multimodal-Large-Language-Models
這篇綜述一張圖總結了多模態LLM的典型架構：
BLIP【2022.01發布】https://arxiv.org/abs/2201.1208

原文鏈接：多模態視覺-語言大模型的架構演進

聯系作者

文章來源：算法邦
作者微信：allplusai
作者簡介：智猩猩矩陣賬號之一，聚焦生成式AI，重點關注模型與應用。