AI多模态精华版·基石模型核心技术
为什么 BLIP 要在 CLIP 式双编码器之外引入生成式解码器？
原题BLIP 的三个预训练目标（ITC/ITM/LM）各自承担什么作用？
原题相比 CLIP 的纯对比学习，BLIP 多目标设计扩展了哪些能力？
原题CapFilt 的 Captioner 与 Filter 分别如何工作？
原题CapFilt 为什么能提升网络爬取数据的质量？解决了什么核心痛点？
原题BLIP 在图文检索任务上相比 CLIP 有何优势？
原题BLIP 如何统一支持 VQA、Image Captioning 等生成式理解任务？
原题BLIP-2 为什么采用冻结图像编码器 + 冻结 LLM + 轻量 Q-Former 的设计？
原题Q-Former 的两阶段训练如何实现跨模态对齐？
原题LLaVA 的三段式结构（视觉编码器 + 投影器 + LLM）如何工作？
原题
暂无题目