← 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

集包含近1万亿Web数据。在预处理过程中,模型会从源下载图像,并将其大小调整为256px×256px,同时进行随机裁剪。

然后使用VQVAE-GAN对图像进行“分词”(Esser et al,2021),每幅图像生成256个词元。

这些词元与空格相组合,然后插入源属性中。CM3模型能够在零样本摘要、实体链接和实体消歧方面达到一流的水平,同时在微调设置

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