多模态 · 2023 · BLIP-2
BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models
Junnan Li et al.
以轻量桥接模块连接冻结视觉编码器和语言模型。
Q-Former冻结模型视觉语言
复现空间 · 建议计划
进阶 · 权重评估 · 编辑建议，尚未实测
最小实验目标
跑通指定 BLIP-2 配置的 VQA，核对 Q-Former 输入输出与显存。
数据集 / 环境
VQAv2 验证子集。
评估项
- VQA Accuracy
- 峰值显存
边界与常见偏差
OPT 与 Flan-T5 版本不同；核对权重规模，勿把下游推理当成两阶段预训练复现。
实验验收协议
- 阅读原文，选定要对齐的具体表格、模型变体与数据划分；把缩小规模或替换组件单独列出。
- 核对作者资源的许可与依赖，锁定代码 commit、权重版本、硬件、随机种子和完整运行命令。
- 先完成数据与推理检查，再执行约定的实验；记录多次运行结果、资源消耗和失败案例。
- 提交可核验的代码、配置、日志与报告。原论文数值须注明表格和协议，当前指标必须附实际运行证据。
实验记录
- 原论文对齐目标
- 待认领后选定具体表格与评估条件
- 社区复现指标
- 暂无已验证结果
暂无实验日志与复现报告。收录此论文不表示社区已完成训练或评估；后续记录通过仓库 Issue 和 Pull Request 补充。