伊犁哈萨克自治州网站建设_网站建设公司_动画效果_seo优化

多模态大语言模型（MLLMs）结合了大型语言模型的语言推理能力与视觉模型的感知能力，在视觉问答、多模态推理等任务中展现出巨大潜力。然而，现有 MLLMs 普遍存在模态不平衡问题：由于训练范式高度依赖“下一个文本 token 预测”，视觉信息仅通过弱监督的隐式对齐方式学习，导致模型系统性偏向文本，忽视甚至对视觉内容产生幻觉。

为解决这一问题。华中科技大学联合腾讯混元等研究者们提出 Latent Visual Reconstruction（LaVer） 方法，通过在大语言模型（LLMs）的联合高层语义空间中学习具有判别性的多模态表征，以增强多模态大语言模型的内在视觉建模能力。

实验结果表明，LaVer 有效抑制了深层网络中视觉 token 的同质化，提升了视觉注意力分配，并在多个多模态基准上取得显著性能提升，尤其在需要精细视觉理解的密集视觉任务中表现突出——例如在 OCRB 数据集上相对提升达 19.22%。此外，LaVer 还增强了模型在视觉-语言紧密耦合任务（如推理分割）中的能力，验证了其在促进真正多模态融合方面的有效性。

• 论文标题：

  Unleashing the Intrinsic Visual Representation Capability of Multimodal Large Language Models

• 论文链接：

  https://arxiv.org/pdf/2512.06281

• 项目链接：

  https://github.com/Fir-lat/LaVer

01

方法

图2 视觉表征的逐层同质化现象。（a）显示最后一层的特征余弦相似度高于中间层；（b-c）展示了输出嵌入的 t-SNE 可视化结果；（d）量化了视觉 token 的平均余弦相似度；（e）量化了分配给视觉 token 的注意力得分。

如图2所示，MLLM 存在模态不平衡问题：随着网络加深，视觉 token 之间余弦相似度显著升高（图2a、2d），表征趋于同质化，导致视觉信息大量丢失；t-SNE 可视化（图2b）显示视觉与文本 token 在输出空间仍明显分离。这表明 MLLM 的视觉表征能力有限，视觉-语言交互主要发生在浅层，深层视觉特征缺乏判别性。

图3 LaVer 整体架构示意图

（1）潜在视觉重建

1）掩码

首先将输入图像 I 编码为视觉特征：接着通过以概率 r（掩码率）随机选择一部分视觉位置进行掩码，生成一个二值掩码 M∈{0,1}N。若 Mi=1，表示第 i 个 token 被掩码。

被掩码的视觉 token通过以下方式构建：将原始特征中被掩码位置的向量替换为一个可学习的掩码token:

e[MASK]与大语言模型的词嵌入一同进行端到端训练。

2）视觉头结构

采用一个包含 3 层的多层感知机（MLP）作为视觉头（vision head），用于将模型输出的视觉嵌入映射为视觉 logits。令表示对应于掩码后视觉 token

视觉头（参数为 ψ）通过一个带 ReLU 激活函数的三层 MLP 对进行变换。该变换定义为：。

其中，为视觉 logits，为其维度。

3）训练范式

学生模型（MLLM）需预测教师模型在被掩码视觉位置上的目标视觉 logits。教师模型通过指数移动平均（EMA）更新，处理原始未掩码图像以生成稳定的目标表示。训练目标是使学生模型预测的视觉 logits 分布尽可能接近教师模型的输出，从而利用上下文和视觉冗余性，恢复被掩码区域并学习更具判别性的视觉表征。

4）提升空间感知能力

掩码图像建模（MIM）本质上要求模型利用邻近区域的空间上下文信息，以准确重建被掩码的视觉 token ，这意味着视觉 token 需要关注整张图像，以有效捕捉全局空间语义 。然而，标准的因果注意力机制 和旋转位置编码（RoPE）主要是为序列化文本处理设计的，与视觉建模的需求存在根本性不匹配**。研究团队引入混合注意力机制（mixed attention）：对视觉 token 使用双向全注意力，对文本 token 保留因果注意力，如图3b所示。同时，采用 2D-RoPE ，将图像 patch 的二维网格坐标作为视觉 token 的位置索引对，以更好地利用视觉信息的空间结构，**如图3c所示；对于文本 token，则赋予相同的行列索引，以保持与文本序列处理的兼容性。

此外，为实现独立且无干扰的视觉重建，被掩码的视觉 token 被单独组成新序列，并通过分块注意力与分块 2D-RoPE 隔离不同样本，避免信息泄露，如图3a所示。

（2）减少视觉特征不一致性

仅使用 MIM 训练会导致视觉特征不一致性：尽管视觉 token 语义差异显著，其特征却呈现高余弦相似度，造成局部结构信息坍塌，如图4a所示。训练过程中，平均相似度先降后升，最终超过基线，如图4b所示，表明模型通过“作弊”方式最小化损失。根本原因在于 MIM 损失仅对单个掩码 token 进行学生-教师匹配，忽略了整体视觉 token 集合的结构多样性。

图4 MIM对视觉特征一致性的影响

Gram-Anchoring（GA）机制强制学生模型的视觉特征之间的相对结构与教师模型保持一致，同时允许特征整体自由移动。具体而言，对视觉logits Z,其 Gram 矩阵定义为：

其中表示沿特征维度的 L2 归一化。

GA 损失为：

尽管 GA 能通过保留结构相似性缓解特征不一致性，但在学习判别性表征方面能力有限。如图 4b 所示，余弦相似度初期下降后又逐渐回升。其根源在于GA损失公式的对称性：无论偏差方向如何，所有 Gram 矩阵的差异都被同等惩罚。

为解决当学生模型生成的特征比教师更具判别性时，GA损失公式会抑制这种有益行为的问题，提出非对称的截断 Gram-Anchoring（CGA）：

其中 Clip(⋅)=max(0,⋅) 表示逐元素截断（仅保留正值）。CGA 只惩罚那些使学生特征判别性低于教师的不良偏差，从而鼓励模型学习更优的表征。实验表明，CGA 能持续生成判别性更强的特征，并使余弦相似度不断降低，如图 4b所示。

最终，LaVer 的总损失函数联合优化语言建模、MIM 和 CGA 三项：

其中， ωMIM 和 ωCGA 为权衡参数，默认设为 1.0。该设计将 MIM 损失用于视觉重建，CGA 损失用于保持特征多样性，确保模型既能学习判别性强的视觉表征，又能维持不同视觉 token 之间的语义一致性。

02

评估

表1 在不同基准测试中采用不同MLLM架构的主要结果

表1表明，LaVer 在几乎所有基准测试中均持续优于基线模型，尤其在需要密集视觉信息理解的任务上提升显著，例如 OCR 和以视觉为中心的评测 。使用 SigLIP-2 时，LaVer 在 OCR-Bench 上提升了 103 分（+19.22%），在 MMVP 上提升 6.72%。CLIP 编码器也展现出类似大幅增益：ChartQA提升 6.07%，MMVP 提升 12.00%。原生分辨率编码器同样获得显著提升：AIMv2 和 Qwen-ViT 在 TextVQA上分别提升 3.34% 和 7.02%。即便在仅用单层 MLP 将原始像素映射为视觉 token的结构上，也能获得 1.37% 的整体提升。这些跨架构的一致性改进验证了LaVer 能有效增强模型潜在空间中的判别性视觉表征，且不依赖特定编码器结构。

表2 复杂视觉任务上的表现

为进一步评估 LaVer 的能力，在 Reasoning Segmentation任务上进行测试——该任务要求 MLLM 将语言推理与整体视觉感知深度融合。如表2a所示，LaVer 初始化的模型始终优于基线：使用 SigLIP-2 和 CLIP 时，gIoU 分别提升 1.36% 和 1.17%。这表明LaVer 能有效融合视觉感知与语言推理，尤其适用于需要复杂跨模态协同的任务**。**

图5 可扩展性研究

此外，LaVer 具有良好的可扩展性，在固定训练数据下，使用 SigLIP-2 和 CLIP 对 Qwen2.5-Instruct 的 1.5B、3B 和 7B 版本进行评估。如图5a所示，LaVer 在所有模型规模下均优于基线，展现出稳健的可扩展性；在 stage-2 中应用不同规模的训练数据，stage-1 和 stage-3 固定不变，使用 Qwen2.5-7B-Instruct + SigLIP-2/CLIP 各训练一个 epoch。如图5b所示，LaVer 在所有数据规模下均保持显著增益，证明其在不同训练设定下均有效。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】