引言

当大语言模型（LLMs）进入消费市场时，人人都想分一杯羹。然而随着时间的推移，我们开始渴望超越单纯的语言建模能力。视觉是首个被攻克的模态领域之一，这使得大量视觉语言模型（Vision Language Models，VLMs）涌向市场。

若我问你："我已经学会了从零构建LLM模型，现在想为其融入视觉能力。你认为我应该如何入手？这里给出两大类方向：

• 从头训练同时支持语言和视觉的模型（原生多模态模型 - NMMs）
• 利用预训练LLM并为其添加视觉模块（预训练LLM+视觉模块）

由于NMMs的复杂性，多模态领域早期研究主要采用第二种路径。

在探讨该领域最新进展之前，让我们先简要分析这两种方法。

02

原生多模态大模型

本文将聚焦讨论"早期融合（Early Fusion）"模型，并将NMMs定义为对所有模态共享统一离散标记空间的模型。

基于上述定义，我们可以排除VisualBERT（2019）、Flamingo（2022）、PaLI（2022）等早期多模态模型（因其架构设计不符合严格的原生多模态标准）。

根据我们的标准，Meta发布的Chameleon（2024）被认为是首个真正的原生多模态模型，其设计理念直接推动了Llama 4、Gemini 2.5等后续模型的涌现。

Chameleon大体沿用了Llama-2的架构，但进行了关键性优化：

• 激活函数改用SwiGLU
• 位置编码采用RoPE技术

然而，由于softmax函数的平移不变性特征，Llama架构也导致Chameleon出现了逻辑偏移（logit drift）问题。虽然本文不深入探讨其完整优化流程（如多模态对齐、动态批处理策略等），但对模型实验细节感兴趣的读者可研读Chameleon论文，了解Meta团队如何在训练稳定性与性能间取得精妙平衡。

既然我们的目标是基于现有LLM构建多模态模型，接下来将重点解析第二种实现路径。

03

预训练大语言模型+视觉模块

有多种方法可以将 LLM 与视觉模块融合，但最常见的方法是 LLaVA 论文中展示的那种。让我们看看它是如何工作的。

图像通过视觉编码器进行处理，然后投影到词嵌入空间。请注意，这个投影矩阵是一个可训练的张量。这个编码器模型可以是任何东西——就像 LLaVA 论文中的 CLIP，或者 ViT（因为大多数近期论文都使用它）。

视觉编码器的权重始终是冻结的，而投影矩阵和语言模型的参数在训练期间会被更新。

在不涉及任何技术细节的情况下，让我们看看训练是如何进行的。

假设你和你的助手一起在艺术画廊里，你们看到了一幅20世纪初的作品，你想了解更多关于这幅作品的信息。幸运的是，你的助手对这幅作品了如指掌，于是你们开始以多轮对话的形式交流（你提问，助手回答）。你的助手会观察这幅作品，并将信息存储在他们的记忆中。之后，整个对话会保持连贯性，每一个问题都能得到恰当的回答。在LLaVA架构中，生成答案的工作由最终的语言模型完成。

这可以重新想象为以最大似然估计的方式进行训练，如下所示：

这种方法的局限性

虽然这种训练方式效率很高，但依赖外部视觉模型也存在一些缺点。

• 图像分辨率限制：大多数视觉编码器在训练时采用固定分辨率，这限制了模型能处理的图像灵活性。
• 串行工作流程：由于数据是线性传递的，语言模型必须等待视觉编码器完成处理才能开始执行，导致效率受限。

04

Vision as LoRA

VoRA提出了一种创新方案——不再依赖外部视觉模型，也不干扰预训练大语言模型（LLM）的原有知识，而是仅微调LoRA适配器（用于视觉上下文）和一个图像嵌入层。换句话说，LoRA适配器就是模型的"视觉参数"。

在预训练阶段，VoRA允许前N（vit）层内的所有线性层（包括QKV投影和FFN）都配备LoRA层。

预训练完成后，LoRA参数可以无缝集成到LLM块中，从而消除任何推理时的额外开销。

该论文中最有趣的一点是从预训练的 ViT 模型中进行知识蒸馏。因此，对于 LLM 的前 N(vit) 层，视觉隐藏状态与相应 ViT 模型中的隐藏状态对齐。这有两大好处：

• 加速训练，因为视觉知识不是从头开始整合的。
• 只更新 LoRA 参数，而不是一个完整的投影层。

模型的训练目标可以分解为两个部分：蒸馏损失和语言建模损失。

• 蒸馏损失函数——计算投影后的LLM特征与ViT嵌入的余弦相似度。
• 语言建模损失函数——采用交叉熵损失函数。

这两种损失结合在一起，形成最终的训练目标。

注意：这篇论文也是最早讨论视觉模态中双向注意力机制的研究之一，它对最终模型产生了积极的影响。

虽然仍处于早期阶段，VoRA在构建不仅仅是VLM，还可能包括各种多模态大模型（如音频、视频、3D图像等）方面展现出巨大的潜力。通过解耦不同模态的参数，避免了对特定模态参数的依赖，我们可以节省大量训练时间，并有望未来出现更小的VLMs 。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

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。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

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】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 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】