Skip to content
← 返回课程
CS336 2026 · Lecture 17已发布

Alignment - multimodality

日期
Wed May 27
讲师
Percy
课程资料
10 项
内容产物
4 项

课程简介 ​

本讲研究如何把预训练语言模型扩展为视觉语言模型:先用 CLIP 式对比学习对齐图像与文本表示,再比较冻结编码器、投影层、交叉注意力和端到端训练等连接方案。课程结合 Flamingo、LLaVA 等模型讨论多模态指令数据、分辨率、视觉 Token 与语言能力保持之间的取舍。
COURSE MATERIALS官方资料与延伸阅读

资料来源归原作者与课程方所有 · 笔记内容持续校订