← 返回卡片

原书出处

大语言模型-基础与前沿 (熊涛)

11 第11章 视觉语言模型

核验版本的摘录快照 · 导入于 2026-11-18T14:25:08.851Z

术利用查询Transformer(Querying Transformer,Q-Former)来实现有效的视觉语言对齐。

Q-Former是一种简单的Transformer,它可以从冻结的图像编码器中提取视觉信息,并充当图像编码器和冻结的大语言模型之间的瓶颈。

这样就可以将最有用的视觉特征馈送给大语言模型,从而生成必要的文本。 在第一个预训练阶段中,将执行视觉语言表征学习,并训练

此预览只包含定位所需的摘录和上下文。

原书定位详情

来源:a19c7933-4eda-4176-aebd-30fe7e1ad292

正文位置:extracted/大语言模型-基础与前沿 (熊涛)/_epub-src/EPUB/xhtml/chapter13.xhtml

EPUB SHA-256:1bd3e387da1e881a4b6e0214f2c7df6e30d5cdbd1f602c69fc88edacffe6743d