> For the complete documentation index, see [llms.txt](https://elwood.gitbook.io/foundation-model-sec/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://elwood.gitbook.io/foundation-model-sec/mm-llm/mm-llms-recent-advances-in-multimodal-large-language-models.md).
# MM-LLMs: Recent Advances in MultiModal Large Language Models
1. 研究背景： 随着多模态大型语言模型（MM-LLMs）的发展，它们在多种下游任务中取得了显著的性能提升。然而，随着模型规模和数据集的不断扩大，传统的多模态模型在从头开始训练时面临着巨大的计算成本。为了解决这一问题，研究者们开始利用现有的预训练单模态基础模型，特别是强大的大型语言模型（LLMs），以成本效益高的训练策略来增强多模态输入或输出的支持。这种策略旨在减轻计算开销，提高多模态预训练的效率，从而推动了MM-LLMs这一新兴领域的发展。
1. 过去方案和缺点： 以往的多模态模型在训练时通常需要从头开始，这不仅计算成本高，而且在处理多模态数据时存在效率低下的问题。此外，这些模型在指令遵循、零样本学习、上下文学习（ICL）和交互能力方面存在不足。此外，传统的训练流程仅包括预训练（PT）阶段，而没有包含指令微调（IT）阶段，限制了模型的灵活性和适应性。
2. 本文方案和步骤： 本文提出了一种全面的研究调查，旨在促进MM-LLMs的进一步研究。首先，文章概述了模型架构和训练流程的一般设计公式。然后，介绍了一个包含122个MM-LLMs的分类体系，每个模型都有特定的公式特征。此外，文章回顾了选定的MM-LLMs在主流基准测试上的性能，并总结了关键的训练配方以增强MM-LLMs的效能。最后，文章探讨了MM-LLMs的有前景的发展方向，并建立了一个实时跟踪网站以跟踪该领域最新进展。
3. 本文实验和性能： 文章中没有提供具体的实验结果或性能数据，因为它主要是一篇综述性论文，旨在提供一个关于MM-LLMs的全面概述。然而，文章中提到了对主流MM-LLMs在多个视觉-语言（VL）基准上的比较，这些基准包括OKVQA、IconVQA、VQAv2等。这些比较可以帮助理解不同模型在特定任务上的表现，并从中提取提高模型效能的训练配方。
阅读总结报告： 本文是一篇关于多模态大型语言模型（MM-LLMs）的综述性论文，它提供了对这一领域最新进展的全面概述。文章首先介绍了MM-LLMs的研究背景，指出了传统多模态模型在计算成本和训练效率方面的挑战。然后，文章提出了一种利用预训练的大型语言模型（LLMs）来增强多模态输入或输出的方法，以解决这些挑战。文章详细介绍了MM-LLMs的模型架构、训练流程，并建立了一个包含122个模型的分类体系。此外，文章还探讨了MM-LLMs的未来发展，包括模型的增强、更具挑战性的基准测试、移动/轻量级部署、具身智能和持续学习等方向。最后，文章通过建立一个实时跟踪网站，为研究人员提供了一个持续更新和协作的平台。总的来说，这篇论文为MM-LLMs领域的研究人员提供了宝贵的资源和指导。
