多模态大模型(MLLM)：架构篇

**【导读】**多模态大模型主要是以LLM作为核心决策模块，主流架构有两种：LLM as Discrete Scheduler/Controller和LLM as joint part of system，第一种LLM充当任务调度的作用，第二种LLM通过Encoder-LLM-Decoder结构作为系统的关键连接部分，天花板更高。

01

MLLM架构起源

1. 基本idea：以大语言模型(LLM)作为支点

鉴于这一前提，几乎所有当前的MLLM都是基于大语言模型(LLM)构建的，作为核心决策模块（即大脑或中央处理器）。

通过添加额外的非文本模态模块，LLM具有多模态能力。

02

MLLM基本结构

1. LLM as Discrete Scheduler/Controller

LLM 角色是接受文本信号，下发调度下游模块的文本命令

代表模型：

• Visual-ChatGPT

• HuggingGPT

• MM-REACT

• ViperGPT

• AudioGPT

• LLaVA-Plus

---

2. LLM as joint part of system

LLM的角色是感知多模态信息，通过Encoder-LLM-Decoder 结构做出反应

**关键特点：**LLM是系统的关键连接部分，直接从外部接收多模态信息，并以更流畅的方式将指令传递给解码器/生成器。

目前超过90% 的 MLLM 属于该类别，天花板更高，更好的集成到一个统一模型，如下是MLLM的经典架构：

---

代表模型：

• BLIP-2

• InstructBLIP

• LLAVA

• Flamingo

• Qwen-VL

该架构中包含的子模块主要有：Multimodal Encoding、Input-side Projection、Backbone LLMs、Decoding-side Projection、Multimodal Generaton。