一、引言

当大语言模型（LLMs）进入消费市场时，人人都想分一杯羹。然而随着时间的推移，我们开始渴望超越单纯的语言建模能力。视觉是首个被攻克的模态领域之一，这使得大量视觉语言模型（Vision Language Models，VLMs）涌向市场。

若我问你："我已经学会了从零构建LLM模型，现在想为其融入视觉能力。你认为我应该如何入手？这里给出两大类方向：

• 从头训练同时支持语言和视觉的模型（原生多模态模型 - NMMs）

• 利用预训练LLM并为其添加视觉模块（预训练LLM+视觉模块）

由于NMMs的复杂性，多模态领域早期研究主要采用第二种路径。

在探讨该领域最新进展之前，让我们先简要分析这两种方法。

二、原生多模态大模型

本文将聚焦讨论"早期融合（Early Fusion）"模型，并将NMMs定义为对所有模态共享统一离散标记空间的模型。

基于上述定义，我们可以排除VisualBERT（2019）、Flamingo（2022）、PaLI（2022）等早期多模态模型（因其架构设计不符合严格的原生多模态标准）。

根据我们的标准，Meta发布的Chameleon（2024）被认为是首个真正的原生多模态模型，其设计理念直接推动了Llama 4、Gemini 2.5等后续模型的涌现。

Chameleon大体沿用了Llama-2的架构，但进行了关键性优化：

• 激活函数改用SwiGLU

• 位置编码采用RoPE技术

然而，由于softmax函数的平移不变性特征，Llama架构也导致Chameleon出现了逻辑偏移（logit drift）问题。虽然本文不深入探讨其完整优化流程（如多模态对齐、动态批处理策略等），但对模型实验细节感兴趣的读者可研读Chameleon论文，了解Meta团队如何在训练稳定性与性能间取得精妙平衡。

既然我们的目标是基于现有LLM构建多模态模型，接下来将重点解析第二种实现路径。

三、预训练大语言模型+视觉模块

有多种方法可以将 LLM 与视觉模块融合，但最常见的方法是 LLaVA 论文中展示的那种。让我们看看它是如何工作的。

图像通过视觉编码器进行处理，然后投影到词嵌入空间。请注意，这个投影矩阵是一个可训练的张量。这个编码器模型可以是任何东西——就像 LLaVA 论文中的 CLIP，或者 ViT（因为大多数近期论文都使用它）。

视觉编码器的权重始终是冻结的，而投影矩阵和语言模型的参数在训练期间会被更新。

在不涉及任何技术细节的情况下，让我们看看训练是如何进行的。

假设你和你的助手一起在艺术画廊里，你们看到了一幅20世纪初的作品，你想了解更多关于这幅作品的信息。幸运的是，你的助手对这幅作品了如指掌，于是你们开始以多轮对话的形式交流（你提问，助手回答）。你的助手会观察这幅作品，并将信息存储在他们的记忆中。之后，整个对话会保持连贯性，每一个问题都能得到恰当的回答。在LLaVA架构中，生成答案的工作由最终的语言模型完成。

这可以重新想象为以最大似然估计的方式进行训练，如下所示：

这种方法的局限性

虽然这种训练方式效率很高，但依赖外部视觉模型也存在一些缺点。

• 图像分辨率限制：大多数视觉编码器在训练时采用固定分辨率，这限制了模型能处理的图像灵活性。

• 串行工作流程：由于数据是线性传递的，语言模型必须等待视觉编码器完成处理才能开始执行，导致效率受限。

四、Vision as LoRA

VoRA提出了一种创新方案——不再依赖外部视觉模型，也不干扰预训练大语言模型（LLM）的原有知识，而是仅微调LoRA适配器（用于视觉上下文）和一个图像嵌入层。换句话说，LoRA适配器就是模型的"视觉参数"。

在预训练阶段，VoRA允许前N（vit）层内的所有线性层（包括QKV投影和FFN）都配备LoRA层。

预训练完成后，LoRA参数可以无缝集成到LLM块中，从而消除任何推理时的额外开销。

该论文中最有趣的一点是从预训练的 ViT 模型中进行知识蒸馏。因此，对于 LLM 的前 N(vit) 层，视觉隐藏状态与相应 ViT 模型中的隐藏状态对齐。这有两大好处：

• 加速训练，因为视觉知识不是从头开始整合的。

• 只更新 LoRA 参数，而不是一个完整的投影层。

模型的训练目标可以分解为两个部分：蒸馏损失和语言建模损失。

• 蒸馏损失函数——计算投影后的LLM特征与ViT嵌入的余弦相似度。

• 语言建模损失函数——采用交叉熵损失函数。

这两种损失结合在一起，形成最终的训练目标。

注意：这篇论文也是最早讨论视觉模态中双向注意力机制的研究之一，它对最终模型产生了积极的影响。

虽然仍处于早期阶段，VoRA在构建不仅仅是VLM，还可能包括各种多模态大模型（如音频、视频、3D图像等）方面展现出巨大的潜力。通过解耦不同模态的参数，避免了对特定模态参数的依赖，我们可以节省大量训练时间，并有望未来出现更小的VLMs 。

五、AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓