MiniGemini项目中ConvNext与Siglip模型融合的技术探讨

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。