本文探讨了为现有大语言模型(LLM)添加视觉能力的两种主流技术路径：一是构建原生多模态模型(NMMs)如Chameleon，从头训练统一架构；二是为预训练LLM添加视觉模块，如LLaVA和创新的VoRA方法。LLaVA方法虽高效但存在分辨率限制，而VoRA通过LoRA适配器仅微调少量参数，既保留LLM原有知识又加速视觉知识整合，为构建高效轻量级多模态模型提供了新思路。

01

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。

02

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。

03

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。

04

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 。

读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**

如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！

👉 不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
👉 也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
👉 更不用你提前学 Python 之类的编程语言，零基础照样能上手。

你要做的特别简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦😝↓↓↓

为什么要学习大模型？

数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!

大模型学习路线汇总

整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！

大模型实战项目&配套源码

光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识

大模型学习必看书籍PDF

我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

大模型超全面试题汇总

在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

👉获取方式：

😝有需要的小伙伴，可以保存图片到VX扫描下方二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！