MiniGemini项目中的ConvNext与Siglip模型训练优化实践
2025-06-25 13:01:24作者:温玫谨Lighthearted
引言
在视觉语言模型的研究中,MiniGemini项目采用了创新的架构设计,将ConvNext与CLIP等视觉编码器结合使用。本文针对项目实践中的两个关键技术点进行深入探讨:ConvNext的Drop Path机制优化以及Siglip模型替换CLIP时遇到的数值稳定性问题。
ConvNext的Drop Path机制优化
在原始MiniGemini实现中,ConvNext模型保留了0.1的Drop Path率,虽然训练时设置为不训练状态,但该路径仍会执行。经过项目团队的验证测试,完全移除Drop Path机制后,模型性能获得了显著提升:
- TextVQA任务:从65.2提升至65.9
- MME任务:从1523/316提升至1540/332
- MM-Vet任务:从40.8提升至42.1
这一改进表明,在视觉语言模型联合训练的场景下,取消Drop Path机制有助于模型性能的提升。项目团队已更新代码支持无Drop Path的训练配置。
Siglip模型替换的技术挑战
在尝试将CLIP替换为性能更优的Siglip模型时,开发者遇到了数值不稳定的问题:
-
特征维度对齐问题:Siglip模型输入为384×384分辨率,输出特征图尺度为27×27。为保持空间对齐,需要将ConvNext输入分辨率调整为864×864,这对计算资源提出了更高要求。
-
数值稳定性问题:在第一次前向传播后,注意力计算会出现NaN值,即使全部转换为FP32精度也无法解决。具体表现为:
- 初始特征计算正常
- 注意力权重计算(embed_att)出现NaN
- 后续迭代中特征值逐渐变为NaN
-
预处理差异:Siglip与CLIP在图像预处理时的均值和标准差存在显著差异,虽然理论上特征分布一致性更重要,但这种差异可能影响模型训练的稳定性。
解决方案建议
针对上述问题,建议采取以下措施:
- 渐进式训练策略:先使用较低分辨率预训练,再逐步提高分辨率
- 数值稳定性检查:
- 实现梯度裁剪
- 添加数值稳定性约束
- 监控中间特征统计量
- 特征归一化处理:考虑在跨模型特征融合前进行归一化处理
- 混合精度训练优化:仔细调整FP16/FP32混合精度训练策略
结论
MiniGemini项目在视觉编码器选择和优化方面提供了宝贵的实践经验。ConvNext的Drop Path机制优化展示了特定场景下的参数调整价值,而Siglip模型替换的挑战则揭示了跨模型特征融合的复杂性。这些经验对视觉语言模型的架构设计和训练优化具有重要参考意义。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (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
923
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

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
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8