<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Mugi_jiang的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Mugi_jiang</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Mugi_jiang]]></copyright><item><title><![CDATA[国内经典多模态大模型工作2——MiniCPM-V系列（MiniCPM-Llama3-V 2.5、MiniCPM-V-2.6解读）（持续更新）]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/142857851</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/142857851</guid><author>Mugi_jiang</author><pubDate>Sat, 12 Oct 2024 11:02:42 +0800</pubDate><description><![CDATA[MiniCPM-V系列是面壁智能推出的小参数量的开源多模态大模型，没有超过9B的版本。主打小而强。官方目前只放出了MiniCPM-Llama3-V 2.5的paper，2.0只有技术博客而且主要是效果展示。目前一共出了以下几代：MiniCPM-V、MiniCPM-V 2.0、MiniCPM-Llama3-V 2.5、MiniCPM-V 2.6。项目地址：https://github.com/OpenBMB/MiniCPM-V。]]></description><category></category></item><item><title><![CDATA[国内经典多模态大模型工作1——Qwen-VL系列（Qwen-VL、Qwen2-VL解读）]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/142789703</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/142789703</guid><author>Mugi_jiang</author><pubDate>Wed, 09 Oct 2024 20:16:10 +0800</pubDate><description><![CDATA[Qwen-VL家族论文解读]]></description><category></category></item><item><title><![CDATA[【MLLM阅读笔记-10】Groma精读: Localized Visual Tokenization for Grounding Multimodal Large Language Models]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141719143</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141719143</guid><author>Mugi_jiang</author><pubDate>Mon, 02 Sep 2024 16:29:33 +0800</pubDate><description><![CDATA[论文：《Groma: Localized Visual Tokenization for Grounding Multimodal Large Language Models》Github：纯手打，非机翻。]]></description><category></category></item><item><title><![CDATA[【MLLM阅读笔记-11】EAGLE精读，英伟达探索MLLM的视觉编码器混合：Exploring The Design Space for Multimodal LLMs with Mixture o]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141815285</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141815285</guid><author>Mugi_jiang</author><pubDate>Mon, 02 Sep 2024 16:25:01 +0800</pubDate><description><![CDATA[论文：
《EAGLE: Exploring The Design Space for Multimodal LLMs with Mixture of Encoders》
Github：
https://github.com/NVlabs/Eagle实验很多。对MLLM的视觉编码器的融合的一次对比。
包括主要的不同任务的ViT的对比，不同融合策略的对比，不同模型组合的对比。
验证了MLLM训练时把ViT放开很重要（之前很多工作都是冻结的）。
针对多ViT组合的模型，搞了一个"预对齐"，用一个冻结的LLM把不同]]></description><category></category></item><item><title><![CDATA[【MLLM阅读笔记-9】KOSMOS-2精读，多模态大模型目标检测：Grounding Multimodal Large Language Models to the World]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141393793</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141393793</guid><author>Mugi_jiang</author><pubDate>Fri, 30 Aug 2024 17:24:40 +0800</pubDate><description><![CDATA[论文标题：
KOSMOS-2: Grounding Multimodal Large Language Models to the World
GitHub：
https://aka.ms/GeneralAI需要部署教程的话在评论区提，作者会更的。强调grounding能力的多模态大模型。
构建了大规模的定位图文对数据集GRIT。
能用于各种定位相关的下游任务。
并非通用MLLM，没有做MME等基准的实验，可以视为一个可对话的OVD检测模型，带caption功能。先强调了一下grounding能力的重要性和]]></description><category></category></item><item><title><![CDATA[Kosmos-2的部署和测试教程（huggingface版）]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141722910</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141722910</guid><author>Mugi_jiang</author><pubDate>Fri, 30 Aug 2024 17:20:20 +0800</pubDate><description><![CDATA[官方提供了两种使用方式，一种是用github上的，下载pt文件，但配置环境非常繁琐。分别提供了docker，和conda环境两种配置。笔者失败了，还好huggingface的环境很好配置，我直接用的LLaVA的环境。]]></description><category></category></item><item><title><![CDATA[目标检测多模态大模型实践：貌似是全网唯一Shikra的部署和测试教程，内含各种踩坑以及demo代码]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141318345</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141318345</guid><author>Mugi_jiang</author><pubDate>Thu, 22 Aug 2024 16:21:13 +0800</pubDate><description><![CDATA[Shikra实战]]></description><category></category></item><item><title><![CDATA[【MLLM阅读笔记-8】VisionLLM v2精读： An End-to-End Generalist Multimodal Large Language Model]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141324787</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141324787</guid><author>Mugi_jiang</author><pubDate>Mon, 19 Aug 2024 18:50:46 +0800</pubDate><description><![CDATA[文章：
VisionLLM v2: An End-to-End Generalist Multimodal Large Language Model for Hundreds of Vision-Language Tasks
GitHub：
https://github.com/OpenGVLab/VisionLLM本文的Introduction写得很好，用MLLM做各种下游任务，特别是较难任务的同学们可以看一下原文。当前的 MLLM 输出以文本形式，这极大地限制了它们表示结构化或视觉信息的能力。现在的一些]]></description><category></category></item><item><title><![CDATA[【多模态大模型paper阅读笔记-7】Shikra精读，多模态大模型目标检测：Unleashing Multimodal LLM‘s Referential Dialogue Magic]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141264581</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/141264581</guid><author>Mugi_jiang</author><pubDate>Mon, 19 Aug 2024 10:32:57 +0800</pubDate><description><![CDATA[论文：Shikra: Unleashing Multimodal LLM’s Referential Dialogue Magic揭示了mlms在理解和参与参考对话(人类沟通的一个组成部分)方面的关键差距。为了解决这个问题，我们引入了Shikra，这是一个统一的、简单的模型，旨在以自然语言理解和输出空间坐标。我们的方法不需要额外的词汇表、位置编码器或外部插件，从而保持了模型的简单性。
]]></description><category></category></item><item><title><![CDATA[LLaVA部署报错：ImportError: cannot import name ‘LlavaLlamaForCausalLM‘ from ‘llava.model‘]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140824011</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140824011</guid><author>Mugi_jiang</author><pubDate>Wed, 31 Jul 2024 15:24:12 +0800</pubDate><description><![CDATA[【代码】LLaVA部署报错：ImportError: cannot import name ‘LlavaLlamaForCausalLM‘ from ‘llava.model‘]]></description><category></category></item><item><title><![CDATA[（AAAI24）CLIP-Gaze: Towards General Gaze Estimation via Visual-Linguistic Model，借助视觉语言模型的泛化视线估计]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140773572</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140773572</guid><author>Mugi_jiang</author><pubDate>Tue, 30 Jul 2024 11:55:28 +0800</pubDate><description><![CDATA[AAAI24论文名：CLIP-Gaze: Towards General Gaze Estimation via Visual-Linguistic Model。]]></description><category></category></item><item><title><![CDATA[LLaVA微调debug：binascii.Error: Invalid base64-encoded string: number of data characters (678697) canno]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140774166</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140774166</guid><author>Mugi_jiang</author><pubDate>Mon, 29 Jul 2024 16:22:56 +0800</pubDate><description><![CDATA[注意版本问题，选择适合自己的。]]></description><category></category></item><item><title><![CDATA[LLaVA微调debug：ImportError: xxx/flash_attn_2_cuda.cpython-310-x86_64-linux-gnu.so: undefined symbol:]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140773914</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140773914</guid><author>Mugi_jiang</author><pubDate>Mon, 29 Jul 2024 16:20:33 +0800</pubDate><description><![CDATA[flash-attn版本问题，到官网上下载对应自己cuda和torch版本的whl文件，再安装，注意我一开始下了这种TRUE的版本，出现了以上错误，改下FALSE版本后解决。注意是那个TRUE和FALSE的问题！]]></description><category></category></item><item><title><![CDATA[为什么多模态大模型中使用Q-Former的工作变少了？附Q-Former结构简介]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140691780</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140691780</guid><author>Mugi_jiang</author><pubDate>Fri, 26 Jul 2024 11:46:51 +0800</pubDate><description><![CDATA[面试中遇到的问题，自己在实践中注意到了却没有深究原因，没有回答好，特此记录和探讨这个问题。多模态大模型中需要一个输入投影模块，将视觉特征投射到LLM能理解的语言特征维度，这里就可以选择各种不同的模块。LLaVA最初用了简单的线性投射，然而作者提到这么做是为了做实验更快一点，使用复杂的模块可能会有更好的效果。后来就有用MLP的，代表工作有LLaVA后续系列、Intern-VL。还有用Q-Former的，这个是BLIP2提出的，代表工作还有Qwen-VL。]]></description><category></category></item><item><title><![CDATA[【多模态大模型paper阅读笔记-6】Grounding多模态，LLaVA-Grounding: Grounded Visual Chat with Large Multimodal Models]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140670544</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140670544</guid><author>Mugi_jiang</author><pubDate>Fri, 26 Jul 2024 10:15:25 +0800</pubDate><description><![CDATA[模型输入图像和用户指令，输出带有边界框的图像描述，每个边界框对应一个短语。]]></description><category></category></item><item><title><![CDATA[大模型微调框架swift简介]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140621155</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140621155</guid><author>Mugi_jiang</author><pubDate>Wed, 24 Jul 2024 18:19:21 +0800</pubDate><description><![CDATA[Tuners
参数高效调优

内存高效调优


]]></description><category></category></item><item><title><![CDATA[【多模态大模型paper阅读笔记-5】LLaVA：Visual Instruction Tuning，5千字精读，最适合入门多模态大模型的工作]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140664540</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140664540</guid><author>Mugi_jiang</author><pubDate>Wed, 24 Jul 2024 18:13:27 +0800</pubDate><description><![CDATA[LLaVA（视觉指令微调）论文精读]]></description><category></category></item><item><title><![CDATA[MiniCPMV微调bug：ninja: build stopped: subcommand failed. CalledProcessError: Command ‘[‘ninja‘, ‘-v‘]]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140355030</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140355030</guid><author>Mugi_jiang</author><pubDate>Thu, 11 Jul 2024 16:19:26 +0800</pubDate><description><![CDATA[完整的报错信息非常之长，我一直在尝试解决后面的报错，忽略了ninja这个根本问题，浪费了两天时间，版本误我啊。为什么issue里没人说这个问题呢？最后会放下完整的报错，遇到诸如以下报错的也可以看看是不是前面有个ninja的报错。]]></description><category></category></item><item><title><![CDATA[pytorch中的两种转置.T和.t()]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140300688</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140300688</guid><author>Mugi_jiang</author><pubDate>Wed, 10 Jul 2024 17:43:33 +0800</pubDate><description><![CDATA[在 PyTorch 中，.T 和 .t() 都是用于对张量进行转置操作的，但它们有一些关键的区别。]]></description><category></category></item><item><title><![CDATA[MiniCPM-V2.5大模型微调：cusparse.h: No such file or directory...libcudart.so.11.0: cannot open shared ob]]></title><link>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140320617</link><guid>https://blog.youkuaiyun.com/Mugi_jiang/article/details/140320617</guid><author>Mugi_jiang</author><pubDate>Wed, 10 Jul 2024 13:57:58 +0800</pubDate><description><![CDATA[使用MiniCPM-V2.5大模型微调遇到的cuda问题]]></description><category></category></item></channel></rss>