首页
/ MiniGemini项目中ConvNext与Siglip模型融合的技术探讨

MiniGemini项目中ConvNext与Siglip模型融合的技术探讨

2025-06-25 09:05:29作者:凤尚柏Louis

背景介绍

MiniGemini是一个多模态大模型项目,其核心架构采用了视觉语言模型(VLM)与ConvNext的结合。在项目开发过程中,开发者们发现了一些值得深入探讨的技术细节问题,特别是关于ConvNext的Drop Path机制以及Siglip模型融合时的稳定性问题。

ConvNext的Drop Path机制优化

在原始MiniGemini实现中,ConvNext模块保留了0.1的Drop Path率,这是ConvNext标准训练配置的一部分。Drop Path是一种正则化技术,通过在训练过程中随机"丢弃"网络中的某些路径来防止过拟合。

然而,经过开发者进一步实验验证,关闭Drop Path机制反而带来了性能提升:

  • TextVQA任务从65.2提升至65.9
  • MME评测从1523/316提升至1540/332
  • MM-Vet评测从40.8提升至42.1

这一发现促使项目团队更新了代码,提供了不启用Drop Path的训练配置选项。这一改进表明,在多模态模型训练场景下,ConvNext作为特征提取器时,可能不需要过强的正则化约束。

Siglip模型融合的技术挑战

Siglip作为一种性能优于CLIP的新型视觉语言模型,开发者尝试将其引入MiniGemini框架时遇到了数值稳定性问题:

  1. 分辨率对齐问题:Siglip默认输入尺寸为384x384,输出特征图尺寸为27x27,这要求ConvNext的输入分辨率必须调整为864才能保持空间对齐。

  2. 数值不稳定现象:在训练初期(iter=2)就会出现NaN值,即使将所有计算转换为FP32精度也无法解决。问题主要出现在注意力计算环节:

    embed_att = embed_query[:, :, None] @ (embed_aux.transpose(-1, -2) / (embed_aux.shape[-1] ** 0.5))
    
  3. 预处理差异:Siglip与CLIP使用不同的图像预处理均值和标准差,虽然理论上特征分布一致性更重要,但实际融合时可能产生影响。

技术启示与建议

  1. 模型融合稳定性:不同视觉模型的特征分布可能存在较大差异,直接替换可能导致数值不稳定。建议采用渐进式融合策略或添加归一化层。

  2. 正则化策略选择:预训练模型在下游任务微调时,可能需要调整原有正则化强度,Drop Path并非总是必要。

  3. 多模态对齐:当替换视觉骨干网络时,需要仔细考虑输入输出分辨率、特征维度等对齐问题,简单的尺寸调整可能不足以保证训练稳定性。

这些实践经验为多模态模型开发提供了有价值的参考,特别是在模型组件替换和优化过程中需要注意的技术细节。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
860
511
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
595
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K