返回全部题目← 上一题33 / 315下一题 →题库/模型基础与推理/Q-4675BLIP、BLIP-2 的主要创新是什么，与 Flamingo 有哪些区别？知识专题：多模态与生成模型题目类型：比较选型技术难度：深入收录题集：8 份暂无参考答案未标记未标记待复习已掌握收藏询问 AI选择 AI 平台KimiKimi（新窗口打开）Qwen千问（新窗口打开）OpenAIChatGPT（新窗口打开）自动带入当前题目本题目录收录题集相关题目收录题集8 份多模态与计算机视觉阿东玩 AI · AgentGuide · 8 条原题查看题集 →【ALBEF与BLIP模型】简单介绍ALBEF和BLIP这两个模型的核心设计，并说一下ALBEF模型。 「字节跳动」【BLIP与BLIP2文本生成】BLIP和BLIP2中的文本生成有什么区别？ 「美团」【BLIP创新与CLIP对比】BLIP模型在图文理解中引入了哪些创新机制？它与CLIP在训练目标和架构上的核心区别是什么？ 「腾讯」展开其余 5 条原题【BLIP损失函数与数据清洗】BLIP的三个损失函数分别是什么，数据是怎样清洗的？ 「阿里通义」多模态大模型概述 了解哪些多模态大模型（VLM）？请简要介绍几个。介绍ALBEF和BLIP。【BLIP系列架构与训练】BLIP-2的整体结构是什么？两阶段训练流程是怎样的？用到了哪些损失函数？BLIP2相对于BLIP有哪些改进，BLIP3又有哪些改进？ 「字节跳动、阿里巴巴、阿里通义」【多模态模型对比】请横向对比多模态大模型LLaVA、BLIP-2、Qwen-VL、InternVL、CLIP、DeepSeek等，说明它们的原理、结构（包括视觉编码器、语言模型、连接方式）、训练方式、特点及差异，并特别指出LLaVA与InternVL除了语言模型、视觉编码器和训练方式不同外还有哪些区别，以及LLaVA与BLIP-2的对比细节。 「京东、字节跳动、美团、蚂蚁集团、阿里通义」【Flamingo模型结构】解释Flamingo模型中的Perceiver Resampler结构及GATED XATTN-DENSE机制。 「腾讯」理论基础面试题阿东玩 AI · AgentGuide · 1 条原题查看题集 →BLIP / BLIP-2 的核心创新点是什么？和 Flamingo 有什么区别？自然语言处理Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →BLIP、BLIP-2、Flamingo 分别解决了什么问题？AI多模态精华版·核心组件Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →Cross-Attention 式投影器（Q-Former）的核心思想是什么？AI多模态精华版·基石模型核心技术Rocky Ding · AIGC-Interview-Book · 10 条原题查看题集 →BLIP 的 MED（多模态编码-解码混合）结构包含哪几种功能模式？为什么 BLIP 要在 CLIP 式双编码器之外引入生成式解码器？BLIP 的三个预训练目标（ITC/ITM/LM）各自承担什么作用？展开其余 7 条原题相比 CLIP 的纯对比学习，BLIP 多目标设计扩展了哪些能力？CapFilt 的 Captioner 与 Filter 分别如何工作？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？BLIP 在图文检索任务上相比 CLIP 有何优势？BLIP 如何统一支持 VQA、Image Captioning 等生成式理解任务？BLIP-2 为什么采用冻结图像编码器 + 冻结 LLM + 轻量 Q-Former 的设计？Q-Former 的两阶段训练如何实现跨模态对齐？展开剩余 3 份题集多模态核心模型Rocky Ding · AIGC-Interview-Book · 3 条原题查看题集 →BLIP的原理?BLIP2的工作有哪些创新点?说明解释BLIP-2的查询Transformer如何解决模态差距问题?02_视频生成核心基础架构模型Rocky Ding · AIGC-Interview-Book · 3 条原题查看题集 →请讲一讲BLIP2模型的原理及其优势？在BLIP2中的Q-Former作用是什么？BLIP2中的Q-Former有什么缺点？大语言模型Datawhale · daily-interview · 1 条原题查看题集 →BLIP-2 为何不直接将视觉编码器的输出连接到语言模型，而要引入 Q-Former 这一中间层结构相关题目4 题0522轨迹模型采用什么动作空间？同一知识专题题目类型：原理机制技术难度：进阶相关面经：2 篇0536你了解哪些多模态大模型及其原理？同一知识专题题目类型：原理机制技术难度：进阶相关面经：1 篇0777视频帧是否作为图片文件直接输入多模态模型？同一知识专题题目类型：原理机制技术难度：基础相关面经：1 篇0787长视频为什么不能一次全部交给大模型？同一知识专题题目类型：原理机制技术难度：基础相关面经：1 篇♥♥♥♥♥← 上一题已到最后一题← 上一题ViT 与 CNN 在图像特征提取上有什么优劣，各适合什么条件？下一题 →如何设计和优化 VLM 的图文对齐损失函数？
