广州市增城区建设局网站是什么内蒙古建信建设有限公司网站

广州市增城区建设局网站是什么,内蒙古建信建设有限公司网站,东莞网站优化制作,王也头像版多模态大语言模型#xff08;MLLMs#xff09;结合了大型语言模型的语言推理能力与视觉模型的感知能力#xff0c;在视觉问答、多模态推理等任务中展现出巨大潜力。然而#xff0c;现有 MLLMs 普遍存在模态不平衡问题#xff1a;由于训练范式高度依赖“下一个文本 token 预…多模态大语言模型MLLMs结合了大型语言模型的语言推理能力与视觉模型的感知能力在视觉问答、多模态推理等任务中展现出巨大潜力。然而现有 MLLMs 普遍存在模态不平衡问题由于训练范式高度依赖“下一个文本 token 预测”视觉信息仅通过弱监督的隐式对齐方式学习导致模型系统性偏向文本忽视甚至对视觉内容产生幻觉。为解决这一问题。华中科技大学联合腾讯混元等研究者们提出 Latent Visual ReconstructionLaVer 方法通过在大语言模型LLMs的联合高层语义空间中学习具有判别性的多模态表征以增强多模态大语言模型的内在视觉建模能力。实验结果表明LaVer 有效抑制了深层网络中视觉 token 的同质化提升了视觉注意力分配并在多个多模态基准上取得显著性能提升尤其在需要精细视觉理解的密集视觉任务中表现突出——例如在 OCRB 数据集上相对提升达 19.22%。此外LaVer 还增强了模型在视觉-语言紧密耦合任务如推理分割中的能力验证了其在促进真正多模态融合方面的有效性。论文标题Unleashing the Intrinsic Visual Representation Capability of Multimodal Large Language Models论文链接https://arxiv.org/pdf/2512.06281项目链接https://github.com/Fir-lat/LaVer01方法图2 视觉表征的逐层同质化现象。a显示最后一层的特征余弦相似度高于中间层b-c展示了输出嵌入的 t-SNE 可视化结果d量化了视觉 token 的平均余弦相似度e量化了分配给视觉 token 的注意力得分。如图2所示MLLM 存在模态不平衡问题随着网络加深视觉 token 之间余弦相似度显著升高图2a、2d表征趋于同质化导致视觉信息大量丢失t-SNE 可视化图2b显示视觉与文本 token 在输出空间仍明显分离。这表明 MLLM 的视觉表征能力有限视觉-语言交互主要发生在浅层深层视觉特征缺乏判别性。图3 LaVer 整体架构示意图1潜在视觉重建1掩码首先将输入图像 I 编码为视觉特征接着通过以概率 r掩码率随机选择一部分视觉位置进行掩码生成一个二值掩码 M∈{0,1}N。若 Mi1表示第 i 个 token 被掩码。被掩码的视觉 token通过以下方式构建将原始特征中被掩码位置的向量替换为一个可学习的掩码token:e[MASK]与大语言模型的词嵌入一同进行端到端训练。2视觉头结构采用一个包含 3 层的多层感知机MLP作为视觉头vision head用于将模型输出的视觉嵌入映射为视觉 logits。令表示对应于掩码后视觉 token视觉头参数为 ψ通过一个带 ReLU 激活函数的三层 MLP 对进行变换。该变换定义为。其中为视觉 logits为其维度。3训练范式学生模型MLLM需预测教师模型在被掩码视觉位置上的目标视觉 logits。教师模型通过指数移动平均EMA更新处理原始未掩码图像以生成稳定的目标表示。训练目标是使学生模型预测的视觉 logits 分布尽可能接近教师模型的输出从而利用上下文和视觉冗余性恢复被掩码区域并学习更具判别性的视觉表征。4提升空间感知能力掩码图像建模MIM本质上要求模型利用邻近区域的空间上下文信息以准确重建被掩码的视觉 token 这意味着视觉 token 需要关注整张图像以有效捕捉全局空间语义 。然而标准的因果注意力机制 和旋转位置编码RoPE主要是为序列化文本处理设计的与视觉建模的需求存在根本性不匹配**。研究团队引入混合注意力机制mixed attention对视觉 token 使用双向全注意力对文本 token 保留因果注意力如图3b所示。同时采用 2D-RoPE 将图像 patch 的二维网格坐标作为视觉 token 的位置索引对以更好地利用视觉信息的空间结构**如图3c所示对于文本 token则赋予相同的行列索引以保持与文本序列处理的兼容性。此外为实现独立且无干扰的视觉重建被掩码的视觉 token 被单独组成新序列并通过分块注意力与分块 2D-RoPE 隔离不同样本避免信息泄露如图3a所示。2减少视觉特征不一致性仅使用 MIM 训练会导致视觉特征不一致性尽管视觉 token 语义差异显著其特征却呈现高余弦相似度造成局部结构信息坍塌如图4a所示。训练过程中平均相似度先降后升最终超过基线如图4b所示表明模型通过“作弊”方式最小化损失。根本原因在于 MIM 损失仅对单个掩码 token 进行学生-教师匹配忽略了整体视觉 token 集合的结构多样性。图4 MIM对视觉特征一致性的影响Gram-AnchoringGA机制强制学生模型的视觉特征之间的相对结构与教师模型保持一致同时允许特征整体自由移动。具体而言对视觉logits Z,其 Gram 矩阵定义为其中表示沿特征维度的 L2 归一化。GA 损失为尽管 GA 能通过保留结构相似性缓解特征不一致性但在学习判别性表征方面能力有限。如图 4b 所示余弦相似度初期下降后又逐渐回升。其根源在于GA损失公式的对称性无论偏差方向如何所有 Gram 矩阵的差异都被同等惩罚。为解决当学生模型生成的特征比教师更具判别性时GA损失公式会抑制这种有益行为的问题提出非对称的截断 Gram-AnchoringCGA其中 Clip(⋅)max(0,⋅) 表示逐元素截断仅保留正值。CGA 只惩罚那些使学生特征判别性低于教师的不良偏差从而鼓励模型学习更优的表征。实验表明CGA 能持续生成判别性更强的特征并使余弦相似度不断降低如图 4b所示。最终LaVer 的总损失函数联合优化语言建模、MIM 和 CGA 三项其中 ωMIM 和 ωCGA 为权衡参数默认设为 1.0。该设计将 MIM 损失用于视觉重建CGA 损失用于保持特征多样性确保模型既能学习判别性强的视觉表征又能维持不同视觉 token 之间的语义一致性。02评估表1 在不同基准测试中采用不同MLLM架构的主要结果表1表明LaVer 在几乎所有基准测试中均持续优于基线模型尤其在需要密集视觉信息理解的任务上提升显著例如 OCR 和以视觉为中心的评测 。使用 SigLIP-2 时LaVer 在 OCR-Bench 上提升了 103 分19.22%在 MMVP 上提升 6.72%。CLIP 编码器也展现出类似大幅增益ChartQA提升 6.07%MMVP 提升 12.00%。原生分辨率编码器同样获得显著提升AIMv2 和 Qwen-ViT 在 TextVQA上分别提升 3.34% 和 7.02%。即便在仅用单层 MLP 将原始像素映射为视觉 token的结构上也能获得 1.37% 的整体提升。这些跨架构的一致性改进验证了LaVer 能有效增强模型潜在空间中的判别性视觉表征且不依赖特定编码器结构。表2 复杂视觉任务上的表现为进一步评估 LaVer 的能力在 Reasoning Segmentation任务上进行测试——该任务要求 MLLM 将语言推理与整体视觉感知深度融合。如表2a所示LaVer 初始化的模型始终优于基线使用 SigLIP-2 和 CLIP 时gIoU 分别提升 1.36% 和 1.17%。这表明LaVer 能有效融合视觉感知与语言推理尤其适用于需要复杂跨模态协同的任务**。**图5 可扩展性研究此外LaVer 具有良好的可扩展性在固定训练数据下使用 SigLIP-2 和 CLIP 对 Qwen2.5-Instruct 的 1.5B、3B 和 7B 版本进行评估。如图5a所示LaVer 在所有模型规模下均优于基线展现出稳健的可扩展性在 stage-2 中应用不同规模的训练数据stage-1 和 stage-3 固定不变使用 Qwen2.5-7B-Instruct SigLIP-2/CLIP 各训练一个 epoch。如图5b所示LaVer 在所有数据规模下均保持显著增益证明其在不同训练设定下均有效。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传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】