英伟达 NVLM 1.0 引领多模态 AI 变革：媲美 GPT

英伟达 NVLM 1.0 引领多模态 AI 变革：媲美 GPT-4o，英伟M引不牺牲性能平衡文本和图像处理难题 2024年09月21日 11:53 IT之家 新浪财经APP 缩小字体 放大字体 收藏 微博 微信 分享 腾讯QQ QQ空间

IT之家 9 月 21 日消息，领多科技媒体 marktechpost 昨日（9 月 20 日）发布博文，模态报道了英伟达（Nvidia）最新发布的变革论文，介绍了多模态大语言模型系列 NVLM 1.0。媲美

多模态大型语言模型（MLLM）

多模态大型语言模型（MLLM）所创建的英伟M引 AI 系统，能够无缝解读文本和视觉数据等，领多弥合自然语言理解和视觉理解之间的模态差距，让机器能够连贯地处理从文本文档到图像等各种形式的变革输入。

多模态大型语言模型在图像识别、媲美自然语言处理和计算机视觉等领域拥有广阔应用前景，英伟M引改进人工智能整合和处理不同数据源的领多方式，帮助 AI 朝着更复杂的模态应用方向发展。

英伟达 NVLM 1.0

NVLM 1.0 系列包括 NVLM-D、变革NVLM-X 和 NVLM-H 三种主要架构。媲美每个架构都结合先进的多模态推理功能与高效的文本处理功能，从而解决了以往方法的不足之处。

NVLM 1.0 的一个显著特点是在训练过程中加入了高质量纯文本监督微调（SFT）数据，这使得这些模型在视觉语言任务中表现出色的同时，还能保持甚至提高纯文本性能。

研究团队强调，他们的方法旨在超越 GPT-4V 等现有专有模型和 InternVL 等开放式替代模型。

NVLM 1.0 模型采用混合架构来平衡文本和图像处理：

• NVLM-D：纯解码器模型，以统一的方式处理两种模式，因此特别擅长多模式推理任务。

• NVLM-X：采用交叉注意机制，提高了处理高分辨率图像时的计算效率

• NVLM-H：混合了上述两种架构的优势，在保持文本推理所需的效率的同时，实现了更详细的图像理解。