本文是LLM系列文章,针对《Xmodel-VLM: A Simple Baseline for Multimodal Vision Language Model》的翻译。
摘要
我们介绍了Xmodel VLM,一种前沿的多模态视觉语言模型。它是为在消费级GPU服务器上高效部署而设计的。我们的工作直接面对一个关键的行业问题,即解决阻碍大规模多模态系统广泛采用的高昂服务成本。通过严格的训练,我们从头开始开发了一个1B级的语言模型,使用LLaVA范式进行模态对齐。结果,我们称之为Xmodel VLM,是一个轻量级但强大的多模态视觉语言模型。对众多经典的多模态基准测试的广泛测试表明,尽管Xmodel VLM的体积更小、执行更快,但其性能与大型模型相当。我们的模型检查点和代码可在GitHub上公开获取,网址为http://GitHub.com/XiaodooAILAB/XmodelVLM。
1 引言
2 相关工作
3 模型架构
4 实验
5 消融研究
6 结论
总