OneLLM 是一種多模態(tài)對齊的統(tǒng)一框架,它使用通用編碼器和統(tǒng)一的投影模塊與 LLM(Large Language Model)對齊多模態(tài)輸入。OneLLM 還通過使用 modality tokens 實現(xiàn)了在不同模態(tài)之間的切換。
OneLLM 的核心組件包括多模態(tài) token 的 tokenizer、通用編碼器、統(tǒng)一的投影模塊和大語言模型。
多模態(tài) token 的 tokenizer 將輸入的各種模態(tài)信號轉(zhuǎn)換為 token 序列,以便進行后續(xù)處理和對齊。
通用編碼器是在 LAION(Language and AI ON)平臺上訓練的 CLIP VIT Large 模型,它具有強大的語義理解能力,可以對多模態(tài)輸入進行編碼。
統(tǒng)一的投影模塊(UPM)是將各個模態(tài)的輸入投影到 LLM 的 embedding 向量空間中,以實現(xiàn)多模態(tài)的對齊。UPM 由 K 個投影專家組成,每個專家包含多個 transformers 塊和大量的參數(shù)。
大語言模型是 OneLLM 采用的開源 LLaMA2-7B 模型,它在大規(guī)模文本數(shù)據(jù)上進行了預訓練,可以對輸入進行更深入的語義理解和生成。
OneLLM 支持多種不同模態(tài)數(shù)據(jù)的理解,包括圖像、音頻、視頻、點云、深度 / 法線圖、IMU 和 fMRI 大腦活動。
實驗證明,OneLLM 在視頻 - 文本、音頻 - 視頻 - 文本、音頻 - 文本等任務中優(yōu)于現(xiàn)有方法,表現(xiàn)出了較強的零樣本能力。
文章內(nèi)容僅供閱讀,不構成投資建議,請謹慎對待。投資者據(jù)此操作,風險自擔。
2024年的Adobe MAX 2024發(fā)布會上,Adobe推出了最新版本的Adobe Creative Cloud。
奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。
“以前都要去窗口辦,一套流程下來都要半個月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關材料,僅幾秒鐘,重慶市民曾某的賬戶就打進了21600元。
華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實質(zhì)性的幫助,雙十一期間低至2799元,性價比很高,簡直是創(chuàng)作者們的首選。
9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會——工業(yè)互聯(lián)網(wǎng)標識解析專題論壇在沈陽成功舉辦。