语言：英语
许可证：MIT
标签：

• 视觉
• 图像到文本
• 图像描述生成
• 视觉问答
  管道标签：图像到文本
  推理：不支持

BLIP-2，OPT-6.7b，仅预训练版本

BLIP-2模型，基于OPT-6.7b（一个拥有67亿参数的大型语言模型）。
该模型由Li等人在论文BLIP-2: 通过冻结图像编码器与大型语言模型引导语言-图像预训练中提出，并首次发布于此代码库。

免责声明：发布BLIP-2的团队未为此模型编写模型卡，因此本模型卡由Hugging Face团队撰写。

模型描述

BLIP-2包含三个模型：一个类似CLIP的图像编码器、一个查询转换器（Q-Former）以及一个大型语言模型。

作者从预训练检查点初始化图像编码器和大型语言模型的权重，并保持它们冻结状态，同时训练查询转换器。查询转换器是一种类似BERT的Transformer编码器，它将一组“查询令牌”映射为查询嵌入，从而弥合图像编码器与大型语言模型之间的嵌入空间差距。

模型的目标是简单地预测下一个文本令牌，给定查询嵌入和先前的文本。

这使得模型可用于以下任务：

• 图像描述生成
• 视觉问答（VQA）
• 通过将图像和先前的对话作为提示输入模型，进行类似聊天的对话

直接使用与下游应用

您可以将原始模型用于给定图像和可选文本的条件文本生成。请访问模型中心查找您感兴趣任务的微调版本。

偏见、风险、限制与伦理考量

BLIP2-OPT使用现成的OPT作为语言模型，继承了Meta模型卡中提到的相同风险和限制。

与其他大型语言模型一样，由于训练数据的多样性（或缺乏多样性）对模型质量产生下游影响，OPT-175B在偏见和安全性方面存在局限性。OPT-175B在生成多样性和幻觉方面也可能存在质量问题。总的来说，OPT-175B无法避免困扰现代大型语言模型的诸多问题。

BLIP2在从互联网收集的图像-文本数据集（如LAION）上进行了微调。因此，模型本身可能容易生成类似不当内容或复制底层数据中的固有偏见。

BLIP2尚未在现实世界应用中进行测试，不应直接部署于任何应用中。研究人员应首先仔细评估模型在特定部署环境中的安全性和公平性。

使用方法

关于代码示例，请参阅文档。