单一内部视觉模型：推动内生视觉预训练的单一多模态大型语言模型的边界

BriefGPT - AI 论文速递 · 2024-10-10T00:00:00Z

多模态大型语言模型（MLLMs）在生成智能中起重要作用。本文回顾了视觉导向的MLLMs，分析其架构、多模态对齐策略和训练技术，探讨其在视觉定位、图像生成与编辑、视觉理解等任务中的应用，并比较性能和计算需求。总结了训练数据集和评估基准，为未来发展提供基础。