两大视觉语言模型技术架构解析

上月在某中心年度开发者大会上，其云服务部门发布了两款新增的Titan基础模型，均支持文本与图像间的相互转换。

多模态嵌入模型现已通过某中心基础平台开放，用户可上传自定义图像集，并通过文本、相关图像或两者组合进行检索。该模型生成的数据表征还可作为下游机器学习任务的输入。

图像生成模型（预览版）是基于照片和标题训练的生成式AI模型，能够生成逼真图像。该模型同样支持文本或图像输入，并输出一组对应图像。

模型架构

两款模型采用不同架构但共享文本编码器组件：

• 嵌入模型配备文本编码器和图像编码器，通过对比学习在共享多维空间中生成向量表征
• 图像生成器使用两个文本编码器副本：一个直接向图像生成模块传递文本嵌入，另一个通过预测图像嵌入辅助生成
• 二级图像生成模块对初始输出进行超分辨率处理，提升图像分辨率并改善图文对齐效果

数据预处理

模型性能的关键在于训练数据的精细准备：

1. 去重处理：采用感知哈希技术有效识别重复图像，避免默认图像过度代表问题
2. 质量筛选：通过图像质量分类器模拟人类审美判断，仅保留阈值以上的高质量图像
3. 标题对齐：使用专用标题生成器对部分训练样本进行重新标注，增强图像内容描述准确性
4. 安全措施：训练数据经过内容审核，生成图像包含识别合成内容的隐形数字水印

模型优化

图像生成模型在清洗后的数据集上进行预训练后，还针对高质量图像样本进行微调，显著提升图文对齐度并减少图像伪影。目前研发团队正致力于进一步提升生成图像的分辨率。