首页
/ MiniCPM-V视觉编码器架构解析:基于SigLIP与NaViT的视觉Transformer实现

MiniCPM-V视觉编码器架构解析:基于SigLIP与NaViT的视觉Transformer实现

2025-05-12 17:21:44作者:卓炯娓

MiniCPM-V项目采用了先进的视觉编码器架构,其核心视觉Transformer组件基于SigLIP-SO400M预训练模型实现,并融合了多项创新技术。

视觉编码器架构选择

MiniCPM-V团队在视觉编码器的实现上做出了精心设计。初始阶段,项目采用了HuggingFaceM4团队发布的siglip-so400m-14-384-flash-attn2模型作为基础架构。这个模型本身已经具备强大的视觉特征提取能力,但为了适应更广泛的应用场景,开发团队对其进行了两项关键改进。

分辨率扩展技术

原始siglip-so400m模型的最大输入分辨率限制在384×384像素。MiniCPM-V通过插值位置嵌入(position embeddings)的方法,将最大分辨率扩展至980×980像素。这种扩展技术使得模型能够处理更高清的图像输入,显著提升了模型在高分辨率场景下的表现能力。

NaViT技术集成

项目团队还创新性地集成了NaViT(Vision Transformer with Native Resolution)技术。这项技术带来了两个重要优势:

  1. 支持可变分辨率图像输入,不再受限于固定尺寸
  2. 保持原始图像的长宽比,避免因强制缩放导致的图像变形

这种实现方式既保留了原始SigLIP模型的强大特征提取能力,又通过分辨率扩展和NaViT技术增强了模型的实用性和灵活性。

实现方案优化

值得注意的是,虽然模型权重基于siglip-so400m实现,但在代码实现上,MiniCPM-V选择了使用idefics2的Transformer实现。这是因为idefics2已经被集成到transformers官方库中,能够提供更好的兼容性和维护性。技术团队确认,这两种实现方式在功能上是完全等效的,这种选择纯粹出于工程实践的考虑。

这种架构设计使得MiniCPM-V能够在保持模型性能的同时,获得更好的开发效率和部署便利性,体现了团队在工程实现上的深思熟虑。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
51
14
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
446
367
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
97
178
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
52
120
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
274
483
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
88
245
MateChatMateChat
前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。 官网地址:https://matechat.gitcode.com
637
77
IImageKnife
专门为OpenHarmony打造的一款图像加载缓存库,致力于更高效、更轻便、更简单
ArkTS
20
12
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
347
34
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
344
233