注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书 《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】
清华《GPT多模态大模型与AI Agent智能体》书籍配套视频课程【陈敬雷】
文章目录
- [GPT多模态大模型与AI Agent智能体系列一百六十一](#GPT多模态大模型与AI Agent智能体系列一百六十一)
- 总结
GPT多模态大模型与AI Agent智能体系列一百六十一
BLIP-2革新多模态预训练：QFormer桥接视觉语言，零样本任务性能飙升10.7%！
7.1.3 BLIP
BLIP（Bootstrapping Language-Image Pretraining for Unified Vision-Language Understanding and Generation）是一个由Salesforce Research团队开发的预训练框架，旨在实现视觉和语言的统一理解与生成。该框架通过自举式预训练方法，使模型能够更好地理解和生成图像和文本之间的关系。BLIP模型的开发是对现有多模态模型局限性的回应，特别是针对Encoder-Based Model（如CLIP）在生成任务上的不足，以及Encoder-Decoder Model（如SimVLM）在图文检索任务中的表现不佳的问题。
1.BLIP核心思想及架构
BLIP的核心思想是通过两个阶段的预训练来增强模型的能力。第一阶段是视觉-语言预训练（Vision-Language Pretraining，VLP），它使用大量无标签的图像-文本对来学习图像和文本之间的对应关系。这一阶段的目的是让模型学会如何从图像中提取有用的信息，并将其与相应的文本描述相匹配。第二阶段是自举式预训练，它利用第一阶段学到的知识来进一步提升模型的性能。在这个阶段，模型被训练去生成文本描述，这些描述随后被用来指导图像的生成。这样，模型就能够更好地理解和生成图像和文本之间的关系。BLIP架构包括一个图像编码器、一个文本编码器和一个跨模态解码器。图像编码器负责从输入的图像中提取特征，文本编码器则负责处理文本数据。跨模态解码器则负责将图像和文本的特征结合起来，生成最终的输出。此框架可以应用于多种任务，包括图像字幕生成、视觉问答和图像检索等。
2.预训练目标
BLIP的预训练包含三个主要目标：
（1）Image-Text Contrastive Loss：对齐视觉和文本模态的特征，类似于CLIP中的对比损失。
（2）Image-Text Matching Loss：判断图像和文本是否匹配，挖掘难负样本，提升模型理解能力。
（3）Language Modeling Loss：预测图像对应的文本描述，使模型具备生成能力。
3.CapFilt模块
为了提高训练数据的质量，BLIP引入了CapFilt模块，该模块包括Captioner和Filter两个组件。Captioner基于图像生成文本描述，而Filter则评估图像和文本的匹配程度，剔除不匹配或低质量的配对，从而净化数据集。实验显示，CapFilt显著提升了下游任务的性能，尤其是在使用更多高质量数据时。此外，研究发现，Nucleus Sampling在生成多样化文本方面优于Beam Search，尽管可能会引入更多噪声。
5.BLIP安装使用
下载代码到本地git clone https://github.com/salesforce/BLIP，切换到BLIP根目录，通过pip install -r requirements.txt命令安装依赖。BLIP目录下，train_retrieval.py是图像文本检索训练代码，train_caption.py是图像文本字幕生成训练代码，train_vqa.py是视觉问答训练代码，train_nlvr.py是自然语言视觉推理代码，pretrain.py是预训练代码，eval_retrieval_video.py是零样本视频文本检索代码。
1）图像文本检索
从官方网站下载COCO和Flickr30k数据集，并在configs/retrieval_{dataset}.yaml中设置image_root。要在COCO上评估微调的BLIP模型，运行：
python -m torch.distributed.run --nproc_per_node=8 train_retrieval.py
--config ./configs/retrieval_coco.yaml
--output_dir output/retrieval_coco
--evaluate
使用8个A100 GPU微调预训练检查点，首先在configs/retrieval_coco.yaml中设置pretrained为"https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_basepth"。然后运行：
python -m torch.distributed.run --nproc_per_node=8 train_retrieval.py
--config ./configs/retrieval_coco.yaml
--output_dir output/retrieval_coco
2）图像文本字幕生成
从官方网站下载COCO和NoCaps数据集，并在configs/caption_coco.yaml和configs/nocaps.yaml中设置image_root。要在COCO上评估微调的BLIP模型，运行：
python -m torch.distributed.run --nproc_per_node=8 train_caption.py --evaluate
要在NoCaps上评估微调的BLIP模型，运行：
python -m torch.distributed.run --nproc_per_node=8 eval_nocaps.py
使用8个A100 GPU微调预训练检查点，首先在configs/caption_coco.yaml中设置pretrained为"https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base_capfilt_large.pth"。然后运行：
python -m torch.distributed.run --nproc_per_node=8 train_caption.py
3）视觉问答
从官方网站下载VQA v2数据集和Visual Genome数据集，并在configs/vqa.yaml中设置vqa_root和vg_root。评估微调的BLIP模型，运行：
python -m torch.distributed.run --nproc_per_node=8 train_vqa.py --evaluate
使用16个A100 GPU微调预训练检查点，首先在configs/vqa.yaml中设置pretrained为"https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base_capfilt_large.pth"。然后运行：
python -m torch.distributed.run --nproc_per_node=16 train_vqa.py
4）自然语言视觉推理
从官方网站下载NLVR2数据集，并在configs/nlvr.yaml中设置image_root。评估微调的BLIP模型，运行：
python -m torch.distributed.run --nproc_per_node=8 train_nlvr.py --evaluate
使用16个A100 GPU微调预训练检查点，首先在configs/nlvr.yaml中设置pretrained为"https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base.pth"。然后运行：
python -m torch.distributed.run --nproc_per_node=16 train_nlvr.py
5）预训练
准备训练JSON文件，其中每个JSON文件包含一个列表。列表中的每一项是一个字典，包含两个键值对：{'image': 图像路径, 'caption': 图像文本}。在configs/pretrain.yaml中，将train_file设置为json文件的路径。使用8个A100 GPU预训练模型命令如下：
python -m torch.distributed.run --nproc_per_node=8 pretrain.py --config ./configs/Pretrain.yaml --output_dir output/Pretrain
6）零样本视频文本检索
按照https://github.com/salesforce/ALPRO的指示下载MSRVTT数据集，并在configs/retrieval_msrvtt.yaml中相应设置video_root。安装decord：pip install decord，执行零样本评估：
python -m torch.distributed.run --nproc_per_node=8 eval_retrieval_video.py。
BLIP模型的创新之处在于它不仅在多模态理解上表现出色，还能有效进行多模态生成，通过CapFilt机制提高了训练数据的质量，从而在多个下游任务上实现了优异的性能。这一模型的提出，为视觉语言预训练开辟了新的方向，强调了数据质量和模型多功能性的重要性。BLIP模型是多模态学习领域的一次重要突破，它通过融合编码和解码能力，以及对训练数据质量的改进，展现了在视觉和语言任务上的强大潜力，为未来多模态模型的发展提供了新的视角和方法。
6.BLIP和CLIP比较
BLIP和CLIP都是当前非常先进的多模态学习模型，它们在处理图像和文本信息方面有着各自的优势和局限。下面将从模型架构、预训练数据、下游任务表现等方面对它们进行对比分析，并探讨各自的典型应用场景。
1）模型架构
BLIP采用了多模态混合编码器-解码器架构，这种架构由图像编码器、文本编码器、视觉文本编码器和视觉文本解码器组成。这种设计使得BLIP在处理视觉语言理解和生成任务方面具有很高的灵活性。CLIP则基于编码器的架构，包括独立的图像编码器和文本编码器。这种架构在处理视觉语言理解任务方面表现出色，但在生成任务上有所欠缺。
2）预训练数据
BLIP通过引入Captioner-Filter机制，可以在预训练阶段生成更高质量的训练数据。Captioner用于生成合成字幕，而Filter用于过滤掉噪声数据，从而提高了预训练数据的质量。CLIP主要使用从互联网上收集的大规模图像-文本对进行预训练，这些数据虽然丰富多样，但也存在一定的噪声。
3）下游任务表现
BLIP在多个视觉语言理解任务上取得了最先进的性能，如图像文本检索、图像字幕、VQA等。同时，BLIP也展现出了强大的图像字幕生成能力。CLIP在零样本迁移设置下，在多个视觉语言任务上取得了很好的效果。它的特点是能够快速适应新的分类任务，而无需在目标任务上进行额外的训练。
4）应用场景
BLIP由于其在理解和生成方面的均衡表现，适用于需要双向能力的应用场景，如自动图像字幕生成、多轮视觉对话、视频描述等。CLIP则更适合于快速部署到新的视觉分类任务中，尤其是当目标任务的数据难以获得或者成本较高时。例如，它可以用于社交媒体图片的自动标注、图像搜索引擎的构建等。
7.1.4 BLIP-2
BLIP-2在视觉语言预训练领域做出了显著改进，主要聚焦于模态对齐和高效训练两大方面。为解决模态对齐问题，BLIP-2引入了QFormer（Querying Transformer），一个轻量级架构，作为图像与文本特征之间的桥梁。在高效训练方面，BLIP-2采用了一种两阶段预训练策略，旨在连接当前先进的视觉骨干网络与大模型。在VQAv2任务上，尽管使用的训练数据量仅为Flamingo80B的一小部分，但BLIP-2依然实现了10.7%的显著精度提升。
1.模型架构
BLIP-2的核心创新在于QFormer模块，它负责对齐图像和文本特征。QFormer包含两个Transformer子模块：图像Transformer和文本Transformer。图像Transformer相较于文本Transformer额外拥有一个交叉注意力层，且两者共享自注意力参数。Q-Former是一个轻量级的Transformer模型，它在冻结的视觉模型和大模型之间架起了一座桥梁，用于实现视觉和语言的对齐。Q-Former的工作原理可以分为以下几个步骤：
（1）视觉特征提取：首先，Q-Former接收来自冻结的视觉模型（如ViT）的输出，这是一个图像的特征表示。
（2）查询向量学习：Q-Former内部包含一组可学习的查询向量，这些向量用于从视觉特征中提取相关信息。
（3）注意力机制：Q-Former通过自注意力机制，将这些查询向量与视觉特征进行交互，从而学习到与文本最相关的视觉表示。
（4）两阶段预训练：第一阶段Q-Former被迫学习和文本最相关的视觉表示，这通常通过对比学习等方法实现。第二阶段Q-Former的输出被用作大模型的输入，大模型负责解释这些视觉特征，并生成与之对应的文本描述。
（5）视觉-语言对齐：通过这两个阶段的预训练，Q-Former能够学习到一种视觉表示，这种表示不仅能够与文本紧密相关联，还能够被大型语言模型所解释。
（6）下游任务应用：经过预训练的Q-Former可以与大模型一起应用于各种下游任务，如图像描述生成、视觉问答等。
Q-Former的设计允许它在不更新视觉模型参数的情况下，有效地调整其自身参数以实现视觉和语言的对齐。这种轻量级的架构使得Q-Former可以快速适应新的任务和数据，同时也降低了训练和推理的计算成本。
2.多模态预训练任务
BLIP-2的预训练过程分为两个阶段：
（1）多模态表征对齐预训练：通过Image-Text Contrastive Loss（ITC）、Image-Text Matching（ITM）和Image-Grounded Text Generation（ITG）三个任务联合训练来对齐图像和文本表征。ITC计算图像嵌入与文本嵌入间的对比损失，但与常规ITC不同，BLIP-2图像嵌入有32个（等于Learned Queries的数量），而文本嵌入只有一个。ITM通过匹配图像和文本，预测它们是否配对。ITG利用QFormer的文本Transformer进行图像字幕生成任务。
（2）多模态表征理解预训练：这一阶段使大模型理解由第一阶段产生的Soft Visual Prompt的语义，从而利用大模型的知识库实现更复杂的视觉推理任务。在此阶段，预训练的大模型能够理解QFormer输出的图片表征，即所谓的Soft Visual Prompt。
BLIP-2在图像字幕生成、视觉问答和跨模态搜索的零样本能力方面均超越了BLIP。当使用更大规模的视觉骨干网络和语言模型时，视觉问答任务的表现进一步提升，表明BLIP-2具有良好的扩展性。此外，通过消融实验验证了两阶段训练策略的必要性，直接跳过第一阶段的模态对齐预训练，直接进入第二阶段的表征理解训练会导致性能大幅下降。
更多技术内容
更多技术内容可参见
清华《GPT多模态大模型与AI Agent智能体》书籍配套视频【陈敬雷】。
更多的技术交流和探讨也欢迎加我个人微信chenjinglei66。
总结
此文章有对应的配套新书教材和视频：
【配套新书教材】
《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】
新书特色：《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。
全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。
本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。
【配套视频】
清华《GPT多模态大模型与AI Agent智能体》书籍配套视频【陈敬雷】
视频特色： 前沿技术深度解析，把握行业脉搏
实战驱动，掌握大模型开发全流程
智能涌现与 AGI 前瞻，抢占技术高地
上一篇：《GPT多模态大模型与AI Agent智能体》系列一》大模型技术原理 - 大模型技术的起源、思想
下一篇：DeepSeek大模型技术系列五》DeepSeek大模型基础设施全解析：支撑万亿参数模型的幕后英雄