站長之家(ChinaZ.com) 12月22日 消息:OneLLM 是一種多模態(tài)對齊的統(tǒng)一框架，它使用通用編碼器和統(tǒng)一的投影模塊與 LLM（Large Language Model）對齊多模態(tài)輸入。OneLLM 還通過使用 modality tokens 實現(xiàn)了在不同模態(tài)之間的切換。
OneLLM 的核心組件包括多模態(tài) token 的 tokenizer、通用編碼器、統(tǒng)一的投影模塊和大語言模型。
多模態(tài) token 的 tokenizer 將輸入的各種模態(tài)信號轉(zhuǎn)換為 token 序列，以便進行后續(xù)處理和對齊。
通用編碼器是在 LAION（Language and AI ON）平臺上訓(xùn)練的 CLIP VIT Large 模型，它具有強大的語義理解能力，可以對多模態(tài)輸入進行編碼。
統(tǒng)一的投影模塊（UPM）是將各個模態(tài)的輸入投影到 LLM 的 embedding 向量空間中，以實現(xiàn)多模態(tài)的對齊。UPM 由 K 個投影專家組成，每個專家包含多個 transformers 塊和大量的參數(shù)。
大語言模型是 OneLLM 采用的開源 LLaMA2-7B 模型，它在大規(guī)模文本數(shù)據(jù)上進行了預(yù)訓(xùn)練，可以對輸入進行更深入的語義理解和生成。
OneLLM 支持多種不同模態(tài)數(shù)據(jù)的理解，包括圖像、音頻、視頻、點云、深度 / 法線圖、IMU 和 fMRI 大腦活動。
實驗證明，OneLLM 在視頻 - 文本、音頻 - 視頻 - 文本、音頻 - 文本等任務(wù)中優(yōu)于現(xiàn)有方法，表現(xiàn)出了較強的零樣本能力。
Github代碼鏈接:
https://github.com/csuhan/OneLLM
模型權(quán)重鏈接:
https://modelscope.cn/models/csuhan/OneLLM-7B
模型創(chuàng)空間:
https://modelscope.cn/studios/csuhan/OneLLM
（舉報）