最近，我在IndabaX Rwanda和卡内基梅隆大学(学号为18-661)的“工程师机器学习导论”课程中的学生研究讲座上进行了关于多模态大语言模型(LLM)的演讲。在演讲中，我们详细剖析了多模态LLM、多模态任务以及一般的多模态LLM架构。大多数多模态LLM几乎都有非常相似的架构：视觉编码器用于获取图像嵌入（如CLIP-ViT或SigLIP），连接器/投影器用于将图像标记映射到LLM维度空间（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）。我们还介绍了一些代表性模型：CLIP为基础奠定了基础，Flamingo启发了图像-文本交错和视觉语言模型中的上下文学习，LLaVA引入了视觉指令调优，在许多多模态基准测试中实现了最先进的性能。最后，我们讨论了基准测试、开源模型与闭源模型的对比、当前的挑战以及我对多模态LLM的期望清单。