👨‍💻导读： 本文为《深入浅出多模态》系列第一章，《多模态模型论文最全总结》将从整体介绍多模态模型发展，结合综述对各个模型按照发展时间线及发展对应关系进行介绍，后续将对其中经典及最新多模态模型进行解决，从具体论文、数据集、代码、模型结构、结果等角度分析，本专栏适合从事多模态小白及爱好者学习，欢迎大家关注，如有侵权请联系删除！

多模态模型最全总结

1.多模态模型综述总结

1.VLP：A Survey on Vision-Language Pre-training

2.A Survey of Vision-Language Pre-Trained Models

3.A SURVEY OF RESOURCE-EFFICIENT LLM AND MULTIMODAL FOUNDATION MODELS

4.微软研究院CVPR2023多模态大模型总结

视频: 多模态大模型：向建设和超越多模态 GPT-4 迈进

PPT：多模态大模型

2.多模态相关github总结：

1. 多模态大型语言模型的最新论文和数据集及其评估

2. 跨任务、跨语言和跨模态的大规模自监督预训练(微软)、包括Beit系列、kosmos1/2/2.5/g、unilm

3. salesforce：github.com/salesforce/…

3.多模态论文综述：

4.开源多模态大模型总览

最新模型后续待更新！！！！

多模态发展关系图：

1. ViLT：多模态学习之前都是Oscar或者Uniter的这些工作，但他们的缺陷是因为用了Object Detection的模型做视觉特征抽取，所以速度太慢，在Vision Transformer之后，Vilt的作者用一个Vision Transformer去代替vision特征提取，只用一个Embedding层大大简化了模型结构，所以结合VIT和Oscar推出了ViLT。
2. ALBEF：ALBEF的作者发现Clip比较高效，适合做图像文本检索，原始的方法因为Modality Fusion做得很好，所以多模态任务非常强，ViLT结构比较简单，所以最后综合各算法长处推出了ALBEF这样一个Fusion Encoder的模式.
3. CoCa：SimVLM用Encoder Decoder去做多模态，在ALBEF的基础上推出了CoCa，用一个Contrast和Captioning两个Loss训练出非常强大的模型。
4. VLMO：微软根据ALBEF和Vilt，提出VLMO，用共享参数的方式做一个统一的多模态的框架
5. BLIP：ALBEF的作者基于参数共享的思想，基于可以用很多Text Branch，提出Blip的模型，能做非常好的Captioning功能，而且它的Caption Filter模型非常好用，能够像一个普适工具一样用到各种各样的情形中。
6. BEIT：ViT也用Mask Data Modeling的方式做Self-Supplied Learning，但是效果不是很好，而微软团队认为Mask Data Modeling是非常有前景的方向，所以顺着Bert的思想提出BEIT，号称计算机视觉界的Bert Moment，很快又推出BEITv2，但这个主要做视觉任务，不是多模态。
7. Vision Language BEIT：BEIT可以在视觉上做Mask Modeling，Bert可以在文本上做Mask Modeling，因此作者将视觉和文本合在一起，推出VL-BEIT
8. BEITv3：该团队将VLMO, VLBEIT和BEITv2三个工作合起来，推出多模态的BEITv3，大幅超过了CoCa, Blip在单模态和多模态上的各种表现。
9. MAE：Mask Auto Encoder，主要是Mask and Predict Pixel(BEIT是Mask and Predict Patch),其实Vision Transformer都已经做，但是效果都不是很好，BEIT和MAE都把效果推到一个非常高的高度
10. Flip：Fast Language Image Prediction，MAE有一个非常好的一个特性，就是在视觉端把大量的Patch全都Mask掉之后，只把没有Mask过的Patch送入Vision Transformer学习，大大减少了计算量，Flip把MAE的这个有用的特性用到Clip的结构里，模型就是Clip没有任何的改变，只不过在视觉端跟MAE一样，只用没有Mask的Token，这样就把Sequence Length降低了很多，训练就快了。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，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。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 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】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓