架构图

在单模态的基础上，加了新的模态，encoder后，通过mlp或者其他方式与text对齐，再输入大模型。如果需要生成新的膜套，可以再通过生成器。（此处与SD不太一样），chatGPT不会生成图片，可以对图片进行理解。

训练方式

一般多个阶段。预训练、指令微调、对齐微调（RLHF）。

• 预训练是通用能力。使得图像对齐到llm表征空间，数据来源于互联网上的图像对。
• 指令微调是专业能力，提升在下游任务上的性能。数据来源于VQA、OCR、目标检测等数据
• 对齐微调是纠错能力，类似LLM通过强化学习、人工打分排序，使得输出符合人类要求

其他技术方向

多模态幻觉：可以增加图像分辨率、提高数据质量，图像token表征、图像文本的对齐方式等
多模态上下文学习：Flamingo通过在图文交错的数据上训练来提升模型关注上下文的能力。
多模态思维链：将复杂的问题分解为较简单的子问题，然后分别解决并汇总。
LLM 辅助的视觉推理：利用 LLM 强大的内嵌知识与能力，并借助其他工具，设计各种视觉推理系统，解决各种现实问题。

https://www.qbitai.com/2024/04/134649.html