MobileVLM V2：更快更强的视觉语言模型基线
计算机视觉与模式识别
2024-02-07 v1 人工智能
摘要
我们介绍了MobileVLM V2，这是基于MobileVLM的一系列显著改进的视觉语言模型，证明了新颖架构设计的精心编排、针对移动VLM改进的训练方案以及丰富的高质量数据集策划可以显著提升VLM的性能。具体来说，MobileVLM V2 1.7B在标准VLM基准测试上取得了与3B规模更大VLM相当或更好的性能。值得注意的是，我们的3B模型优于多种7B+规模的VLM。我们的模型将在https://github.com/Meituan-AutoML/MobileVLM发布。
引用
@article{arxiv.2402.03766,
title = {MobileVLM V2: Faster and Stronger Baseline for Vision Language Model},
author = {Xiangxiang Chu and Limeng Qiao and Xinyu Zhang and Shuang Xu and Fei Wei and Yang Yang and Xiaofei Sun and Yiming Hu and Xinyang Lin and Bo Zhang and Chunhua Shen},
journal= {arXiv preprint arXiv:2402.03766},
year = {2024}
}