SOTA多模态大模型！13个开源模型汇总，附论文和代码_开源多模态大模型

近年来，多模态大模型（Multimodal Large Language Models, MLLMs）在人工智能领域取得了显著的进展，特别是在自然语言处理、计算机视觉和多模态理解方面。这些模型能够理解和生成多种类型的数据，如文本、图像、音频和视频，为多模态学习和应用提供了强大的工具。

今天给大家汇总了13个开源多模态大模型，这些模型在各自的领域中刷新了多个SOTA记录，每个模型都将附上相关的论文和代码，一起看看多模态大模型的最新研究成果吧！

论文PDF和开源代码都整理好了

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取🆓

架构和创新

1、NExT-GPT: Any-to-Any Multimodal LLM（ICLR 2024）

NExT-GPT：任意对任意多模态 LLM

简述：本文提出了通用任意对任意MM-LLM系统NExT-GPT，该系统将LLM与多模态适配器和不同解码器连接，使NExT-GPT能感知输入并以任意组合生成文本、图像、视频和音频输出。利用现有高性能编码器和解码器，NExT-GPT仅需少量参数（1%）进行调优，有利于低成本训练和扩展。此外，研究人员引入模态切换指令调优（MosIT），并整理高质量数据集，使NExT-GPT具备复杂跨模态语义理解和内容生成能力。

2、DreamLLM: Synergistic Multimodal Comprehension and Creation（ICLR 2024）

DreamLLM：协同多模态理解与创造

简述：本文提出了DreamLLM，这是一个学习框架，它首先实现了多功能多模态大型语言模型（MLLM），该模型强调了多模态理解和创作之间的协同作用。DreamLLM 通过直接在原始多模态空间中采样来生成语言和图像，避免了外部特征提取器的局限性。此外，它能够生成原始交错文档，包括文本、图像和非结构化布局。DreamLLM是首个能生成自由格式交错内容的MLLM，实验证明，它作为零样本多模态通才表现出色，从增强的学习协同作用中获益。

3、Unified Language-Vision Pretraining in LLM with Dynamic Discrete Visual Tokenization（ICLR 2024）

具有动态离散视觉标记化的 LLM 统一语言视觉预训练

简述：本文提出了一种新的多模态大模型LaVIT，它通过将视觉内容转换为可被语言模型处理的离散标记，实现了视觉和语言数据的统一处理。这种方法打破了传统方法中将视觉输入仅作为提示的局限性，使LaVIT能够无差别地处理图像和文本，提高了模型在视觉语言任务中的性能。实验结果表明，LaVIT在处理大规模视觉语言任务方面优于现有模型。

4、MoE-LLaVA: Mixture of Experts for Large Vision-Language Models

MoE-LLaVA：大型视觉语言模型专家组合

简述：本文提出了一种名为MoE-tuning的新的大型视觉语言模型（LVLM）训练策略，该策略构建了一个参数数量多但计算成本恒定的稀疏模型，解决了多模态学习和模型稀疏性相关的性能下降问题。还提出了MoE-LLaVA框架，一种基于MoE的稀疏LVLM架构，它在部署期间只激活部分专家，从而减少了计算成本。实验表明，MoE-LLaVA在视觉理解方面表现出色，并减少了模型输出的幻觉。MoE-LLaVA使用30亿个稀疏激活的参数，在各种视觉理解数据集上性能与LLaVA-1.5-7B相当，甚至在某些基准测试中超过了LLaVA-1.5-13B。

5、LEGO:Language Enhanced Multi-modal Grounding Model

语言增强型多模态接地模型

简述：现有的多模态模型重点捕捉每个模态内的全局信息，但忽视