AI多模态精华版·基石模型核心技术
为什么 LLaVA 选择以 LLM 为核心而非以视觉模型为核心？
原题LLaVA 的两阶段训练（特征对齐预训练 + 指令微调）目标分别是什么？
原题相比 CLIP/BLIP 的对比学习，LLaVA 的生成式训练带来了哪些能力差异？
原题LLaVA 如何借助纯文本 GPT-4 合成多模态指令数据？
原题合成指令数据为什么是 LLaVA 视觉指令跟随能力的关键？
原题LLaVA 与 BLIP-2 在跨模态连接模块（MLP vs Q-Former）上有何取舍？
原题LLaVA 与 BLIP-2 在训练成本与数据效率上有何差异？
原题从 LLaVA-1.0 到 LLaVA-1.5/NeXT 的关键技术演进有哪些？
原题这些演进如何提升模型在高分辨率、文档 OCR、复杂推理等任务上的能力？
原题
暂无题目