最近，我在IndabaX Rwanda和卡内基梅隆大学（CMU）学生研究讲座的“18-661 工程师机器学习导论”课程中进行了关于多模态大语言模型（LLMs）的演讲。 在演讲中，我们剖析了多模态大语言模型、多模态任务以及通用的多模态LLM架构。大多数多模态LLM的架构几乎非常相似：包括用于获取图像嵌入的视觉编码器（如CLIP-ViT或SigLIP），用于将图像标记映射到LLM维度空间的连接器/投影器（例如线性层/MLP/注意力层），以及用于生成的底层LLM（通常是解码器类型的语言模型）。 我们还探讨了具有代表性的模型：如CLIP，它奠定了基础，Flamingo则启发了图像-文本交替和视觉语言模型中的上下文学习，而LLaVA引入了视觉指令微调，在许多多模态基准测试中达到了SOTA（最新的技术水平）。 最后，我们讨论了基准测试、开源与闭源模型的对比、当前面临的挑战以及我对多模态LLM的愿望清单。