首先，推荐一篇启发我很多的综述和对应的项目地址（本文的封面图也来自该综述）
A Survey on Multimodal Large Language Models
arxiv.org/abs/2306.13549
Awesome-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/2201.12086
统一视觉-语言理解和生成，使用captioner+filter高效利用互联网有噪数据
模型架构：
- Image/text encoder: ITC loss对齐视觉和语言表征，基于ALBEF提出的momentum distillation
- Image-grounded text encoder: ITM loss建模视觉-语言交互，区分positive/negative图文对，使用hard negative mining挖掘更高相似度的负例优化模型
- Image-grounded text decoder: LM loss实现基于图像的文本解码，将双向self-attention替换为causal self-attention
BLIP的bootstrapping训练过程：
BLIP-2
【2023.01发布】https://arxiv.org/abs/2301.12597
使用相对轻量的Q-Former连接视觉-语言模态，通过两阶段训练：第1阶段基于冻住的视觉编码器，第2阶段基于冻住的LLM
第1阶段：同样优化ITC/ITM/LM loss，使用不同的self-attention mask，query和text端共享self-attention参数，使得可学习的query embedding提取与text语义最相关的视觉表征；使用BERT-base初始化，32个768维的query作为信息瓶颈
- ITC：计算每个query与text的相似度，取最大的；使用batch内negatives，不再使用momentum queue
- ITM：对每个query与text的分类logits取平均，使用hard negatives mining挖掘难负例
- LM：text token和frozen image encoder不能直接交互，要求query能提取有益的视觉特征
第2阶段：可基于decoder-only/encoder-decoder LLM进行适配，FC层对齐维度
LLaVA
【2023.04发布】https://arxiv.org/abs/2304.08485
- 使用仅文本模态的GPT-4生成视觉-语言指令遵循数据，用于微调多模态LLM
- 使用图片的dense captions和bounding boxes作为prompt，可以生成对话、细节描述、复杂推理等指令
- CLIP ViT-L/14 + Vicuna，使用简单的线性层进行映射
- 更复杂的：Flamingo中gated cross-attention，BLIP-2中的Q-former
- LLaVA模型的两阶段训练
- stage1. 预训练特征对齐：冻住vision encoder和LLM，只训练projection，学习一个兼容的visual tokenizer
- stage2. 端到端微调：冻住vision encoder，在单轮/多轮对话数据上微调projection和LLM
MiniGPT-4
【2023.04发布】https://arxiv.org/abs/2304.10592
stage1. 预训练：使用image-text pair微调linear projection layer，vision encoder和LLM保持冻住
stage2. 指令微调：指令格式为：###Human:###Assistant:
InstructBLIP
【2023.05发布】https://arxiv.org/abs/2305.06500
stage1. 预训练：BLIP-2（使用image-text pairs进行两阶段训练）
stage2. 指令微调：只微调instruction-aware Q-former，冻住vision encoder和LLM
支持FlanT5(encoder-decoder)和Vicuna(decoder-only)
Qwen-VL
【2023.08发布】https://arxiv.org/abs/2308.12966
支持中英双语、多图像输入
Qwen-7B + OpenCLIP ViT-bigG，输入图像直接resize到视觉编码器输入
位置感知的VL adapter：使用基于Q-former的单层的cross-attention，将图像特征维度压缩到256，在query-key pairs中引入2D绝对位置编码增强位置信息
图像输入：256-dim图像特征
bounding box输入输出：(X_topleft, Y_topleft), (X_bottomright, Y_bottomright),…标记box所指内容
三阶段训练：
stage1. 预训练：基于大规模、弱标注、网络爬取的图像-文本对，输入分辨率224x224，冻住LLM，训练ViT和Q-former，主要目的是模态对齐
stage2. 多任务预训练：基于7种下游视觉-语言理解任务的高质量、细粒度标注数据训练，输入分辨率448x448，图像/文本数据交错，训练整个模型
stage3. 指令微调：提升指令遵循和多轮对话能力，冻住ViT，训练LLM和Q-former
Qwen-VL-Plus和Qwen-VL-Max提升了视觉推理能力、图像细节的识别/提取/分析能力（尤其是文本导向的任务）、支持高分辨率和极端纵横比的输入图像；在部分中文场景超过了GPT-4V和Gemini
InternLM-XComposer
【2023.09发布】https://arxiv.org/abs/2309.15112
交错图文构成：自动在输出文本中插入合适的图片
EVA-CLIP ViT + InternLM-7B + Q-former (将图像特征压缩到64个embedding）
两阶段训练：
stage1. 预训练：冻住ViT，训练LLM和Q-former
stage2. 监督微调：包括多任务训练和指令微调，冻住ViT和LLM，训练Q-former，对LLM进行LoRA微调，增强指令遵循和图文混排能力
Fuyu-8B
【2023.10发布】https://huggingface.co/adept/fuyu-8b
模型架构和训练过程简单，易于scaling；支持任意图像分辨率；推理速度快
decoder-only的transformer，没有专门的图像编码器；image patch直接线性映射到transformer第一层
LLaVA-1.5
【2023.10发布】https://arxiv.org/abs/2310.03744
仍使用MLP作为模态连接，突出了训练的数据高效性
CogVLM
【2023.11发布】https://arxiv.org/abs/2311.03079
深度视觉-语言模态融合，而不影响LLM原有的语言能力：冻住LLM和ViT，在attention和FFN层训练一份视觉专家模块
CogAgent
【2023.12发布】https://arxiv.org/abs/2312.08914
针对GUI场景的多模态理解和导引，使用高分辨率-低分辨率双编码器，支持1120x1120的屏幕输入
高分辨率分支使用更轻量的ViT，基于cross-attention将高分辨率图像特征与LLM每层进行融合
VILA
【2023.12发布】https://arxiv.org/abs/2312.07533
探索了视觉-语言模型训练的设计选择：
- 预训练阶段冻住LLM虽然能取得较好的zero-shot性能，但上下文学习能力依赖对LLM的微调
- 图文交错的预训练数据是有益的，只用图文数据对效果不够好
- 将纯文本的指令微调数据加入SFT阶段有助于缓解纯文本任务的能力退化，同时也能够增强视觉-语言任务的准确性
LLaVA-Next
【2024.01发布】https://llava-vl.github.io/blog/2024-01-30-llava-next/
相对于LLaVA-1.5，保持了极简的设计和数据高效性：
- 提高了输入图像的分辨率 (4x)，支持3种纵横比：672x672, 336x1344, 1344x336
- 更好的视觉推理和OCR能力：更好的指令微调数据配比
- 更好的多场景视觉对话：更好的世界知识和逻辑推理
- 更高效的部署和推理：SGLang
动态高分辨率：视觉编码器支持336x336的图像输入，对于672x672的图像，按照{2,2}的grid split成4个图像patch过encoder，downsample到336x336也过encoder，特征拼接作为visual tokens输入到LLM中
收集高质量用户数据，包括真实场景中反映用户更广泛意图的指令数据，利用GPT-4V进行数据构造
多模态文档/图表数据，增强文档OCR和图表理解能力
InternLM-XComposer2
【2024.01发布】https://arxiv.org/abs/2401.16420
提出了新的模态对齐方法partial LoRA：只在image token上添加LoRA参数，保证预训练语言知识的完整性，这样一个更轻量的视觉编码器同样有效
OpenAI CLIP ViT-L/14 + InternLM2-7B + partial LoRA (rank=256)
两阶段训练：
stage1. 预训练：冻住LLM，微调ViT和partial LoRA模块，包括通用语义对齐（理解图像基本内容）、世界知识对齐（进行复杂的知识推理）、视觉能力增强（OCR、物体定位、图表理解）
stage2. 监督微调：微调整个模型，包括多任务训练、自由形式图文排布
InternLM-XComposer2-4KHD
2024.04发布了4KHD版本：https://arxiv.org/abs/2404.06512
支持动态分辨率（336px → 4K (3840x1600))：改进了patch division范式，保持训练图像原有的纵横比，自动变化patch数目，基于336x336的ViT配置layout
动态图像划分：将输入图像resize and pad到336的整数倍宽高
结合图像的global和local视角：global视角由输入直接resize到336x336，使用sep token分隔两种视角的token
图像2D结构的换行符：可学习的\n token分隔图像token行
Mini-Gemini
【2024.03发布】https://arxiv.org/abs/2403.18814
使用双视觉编码器提取低分辨率embedding作为query，高分辨率特征区域作为key/value，两者之间做cross-attention，输出挖掘的tokens作为prompt前缀，输入到LLM做推理，外接图像解码器生成图像(SDXL)
