- 博客(2)
- 收藏
- 关注
RSS订阅原创 纯小白看懂VLN视觉语言导航大模型
视觉语言导航（VLN）模型的任务是从视觉输入（如RGB图像/视频）和语言指令（如“向右转，走到绿色地毯”）预测导航动作（如前进、左转）。作用：将视觉输入（图像/视频）编码为特征向量（称为视觉token），提取场景中的语义信息（如物体、地标）。作用：将语言指令编码为特征向量（语言token），提取指令的语义和逻辑（如“向右转”对应转向动作）。形式：RGB图像（单帧，如R2R数据集）、视频序列、深度图、或全景图。是什么：Google的语言模型，预训练于海量文本（如维基百科），擅长理解自然语言。
2025-05-12 22:42:35
377
原创 Qwen微调踩坑记录
推理报警The attention mask is not set and cannot be inferred from input because pad token is same as eos token. As a consequence, you may observe unexpected behavior. Please pass your input's attention_mask to obtain reliable results.
2024-11-26 20:21:32
220
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人