多模态大模型的基础模块
1. 编码器
1.1 图像编码器
CLIP（Connecting text and images）旨在连接文本和图像，实现零样本学习。它基于大规模的 WebImageText 数据集（包含 4 亿的文本 - 图像对）进行预训练。模型结构主要包括对比预训练、从标签文本创建数据集分类器以及用于零样本预测。
1.2 视频编码器
视频编码器采用 Vision Transformer（ViT）架构，并使用 Openclip 的 ViT - bigG 预训练权重初始化。在处理视频时，首先进行视频抽帧，将抽取的帧缩放至特定分辨率，然后通过卷积操作实现 image patch。接着，对生成的视觉特征序列进行压缩，最后将压缩后的视觉特征序列按顺序与 Text embedding 放在一起进行后续处理。
位置感知视觉 - 语言适配