第十五章：多模态模型 — 从 CLIP 到 Omni Model

本章学习目标

  在之前的十四章里，我们几乎所有内容都围绕纯文本的语言模型展开。然而人类接收信息的渠道远不止文字，视觉、听觉同样是智能体理解世界的重要接口。多模态模型（Multimodal Model） 正是要让模型具备"既会读文字，也会看图像，甚至能听声音"的能力。

完成本章学习后，你将能够：

1. 理解多模态建模的根本动机：为什么需要从纯文本走向 Omni Model？Transformer 的统治地位与多模态扩展的挑战是什么？
2. 掌握 CLIP/SigLIP 的对比学习范式：理解图像-文本对齐的数学原理、工程实现，以及后续的改进方向。
3. 了解 Vision Transformer 的工作机制：为什么 ViT 能替代 ResNet 成为主流视觉编码器？
4. 掌握 VLM 的标准范式：Vision Encoder + Adapter + LM 三段式架构的核心思想与训练流程。
5. 了解代表性 VLM 系统的演进：LLaVA、Qwen-VL、Chameleon 等模型的关键技术创新。
6. 理解连续表示与离散表示的路线之争：为什么扩散模型最终胜出？离散 token 化为什么在工程上不实用？

  本章作为课程最后一讲，承担着"承上启下"的角色，既是对前面所学语言模型知识的延伸，也是对当下主流多模态系统的全景式概览。

15.1 引言：为什么需要多模态

  如果你从第一章一路学到这里，我们已经完整地讨论了语言模型从分词、架构、训练到对齐的全套工具链。但请停下来想一个问题：你用手机拍的一张照片，你身边朋友发的一段语音，这些信息能用纯文本 LLM（Large Language Model，大语言模型）处理吗？

  答案是不能。GLM-5.2 和 DeepSeek V4 这些模型虽然强大，但它们天生"听不懂、看不懂"图像和音频，它们只认识 token。这意味着如果想让 LLM 真正成为通用助手，就必须想办法把图像、音频这些非文本信号也"翻译"成 LLM 能理解的语言。这正是多模态建模的核心挑战。

在 GLM-5.2 和 DeepSeek V4 官网使用这些模型时，你可能发现能够输入图像，那是因为它们虽然不支持原生多模态，但是借助外部视觉模型（如 OCR 或视觉大模型）进行中转，将视觉信息转化为文本后再交由这些模型进行推理，同样实现了类似于原生多模态的效果

15.1.1 从纯文本到 Omni Model

  在 AI 业界，大家有一个"北极星"目标，即所谓的 Omni Model（全能模型）：

• 输入：任意模态的组合，可以是图、可以是视频、可以是语音，也可以是它们的混合，再加上一段文本指令；
• 输出：任意模态的组合，既能生成文字回答，也能生成图像、音频甚至视频。

  当下无论是 Google 的 Gemini 还是 OpenAI 的 GPT 系列，都被宣传为"原生多模态"（natively multimodal），但具体实现细节并未公开。我们这一讲的目的，是拆解开源社区中那些已公开方案的设计思路，让你能看清多模态模型的内部构造。

15.1.2 两个核心问题

  要实现 Omni Model，面临两个核心问题：

问题一：如何输入非文本数据？

  这是本讲的重点。文本天然有 BPE（Byte Pair Encoding，字节对编码）tokenizer（见第 2 章）把它切成 token，但像素、波形这些连续信号怎么变成 LLM 能"读"的向量？我们将看到两种主流路径：

• 连续表示：用 Vision Encoder 把图像直接编码成连续向量，再注入 LLM（LLaVA、Qwen-VL）；
• 离散表示：先把图像切成离散 token，再把 token 序列丢给 LLM（Chameleon）。

问题二：如何输出非文本数据？

  本讲只做简要提及。当前主流方案是扩散模型（Diffusion Model），它能从纯噪声出发逐步去噪，最终生成图像、音频或视频。Transformer 在这里扮演"理解"和"控制信号生成"的角色，真正的"画笔"是扩散模型。这也是为什么本讲题目里强调 "Alignment"（对齐），即把语言模型的理解能力与扩散模型的生成能力对齐起来。

15.1.3 Token 概念的扩展

  在第 2 章中我们学到，token 是文本的基本单位，一个 token 代表"某个有语义的信息单元"。一个单独的英文字母、一个单独的像素，本身都没有意义，必须组合起来才有信息。

  这个观察可以推广到所有模态：

  多模态建模的核心哲学就是：把一切模态都"翻译"成 token，然后交给 Transformer 这个"统一接口"进行处理。这也是为什么 Transformer 在所有模态上都能 work，它不关心 token 来自哪里，只关心 token 之间的统计模式。

15.2 CLIP：对比语言-图像预训练

  在多模态领域，CLIP（Contrastive Language-Image Pre-training） 是绕不开的开山之作。它由 OpenAI 在 2021 年提出，至今仍是现代 VLM（Vision-Language Model，视觉语言模型）的基础组件。理解 CLIP 的设计思想，是理解整个多模态生态的第一步。

15.2.1 历史背景：从 ImageNet 到基础模型时代

  在 CLIP 出现之前，视觉领域的主流范式是这样的：研究人员人工标注一个超大规模分类数据集（如 ImageNet 有 120 万张图、1000 个类别），然后训练一个 ResNet（Residual Network，残差网络）去拟合这些标签。这是一个监督学习范式，标签是人工精心标注的、固定的。

  然而 2020 年前后，语言模型领域发生了范式转变：GPT-2、GPT-3 证明了只要从互联网上爬取海量文本，让模型自己预测下一个 token，就能学到惊人的语言能力。这种"基础模型"（Foundation Model）范式不再依赖精心标注的数据集。

  问题来了：对图像来说，"爬取互联网"的对应物是什么？

  OpenAI 的研究者们给出了一个巧妙的答案：互联网上天然存在大量"图像-文本配对"（image-text pairs）。网页上每张图几乎都配有一段说明文字、相邻的标题、alt 属性等。CLIP 正是利用了这种"自然标注"。

关键洞察：爬取 4 亿对 (图像, 文本)，让模型学习"哪段文字描述了哪张图"，比人工标注 120 万张图更便宜、更通用。

15.2.2 目标函数：n 路分类

  CLIP 的训练目标出奇地简洁。给定一批 $n$ 对 (image, text) 配对数据：

  对每张图像 $I_i$，希望它与自己对应文本 $T_i$ 的相似度远高于与其他 $n-1$ 个文本 $T_j$ 的相似度；反过来对每个文本也类似。这相当于：

• 一个 $n$ 路分类问题：对图像 $I_i$，从 $n$ 个候选文本中选出正确的 $T_i$；
• 另一个 $n$ 路分类问题：对文本 $T_i$，从 $n$ 个候选图像中选出正确的 $I_i$。

  两路损失加起来就是 CLIP 的总损失。本质上这就是把图文匹配建模为矩阵分类问题。

import torch
import torch.nn.functional as F

def clip_loss(image_embeds, text_embeds, temperature):
    """
    image_embeds: [n, d]  图像特征（已归一化）
    text_embeds:  [n, d]  文本特征（已归一化）
    temperature:  标量    温度参数（可学习）
    """
    # 相似度矩阵：[n, n]
    logits = image_embeds @ text_embeds.T * temperature.exp()

    # 标签：对角线为正例
    labels = torch.arange(logits.size(0), device=logits.device)

    # 两个方向的交叉熵
    loss_i2t = F.cross_entropy(logits, labels)        # 图像→文本
    loss_t2i = F.cross_entropy(logits.T, labels)      # 文本→图像
    return (loss_i2t + loss_t2i) / 2

  注意一个关键细节：温度参数 $\tau$（temperature）是可学习的。它控制了相似度分布的"尖锐程度"。小温度让分布更尖锐、强调最相似的对；大温度让分布更平滑、强调相对差异。CLIP 把温度放到 exp() 里，使其恒为正，避免手工调参。

为什么 batch size 必须大？

  CLIP 的损失是在整个 batch 内做 softmax。如果 batch size 是 1，那就只有一个候选，分类问题退化为平凡情况；batch size 越大，"负样本"越多，模型学到的对比信号就越强。CLIP 训练时常用的 batch size 是 32,768。这个数字在 2021 年是相当惊人的规模。

15.2.3 数据规模与处理

  OpenAI 当时爬取了约 4 亿对 (图像, 文本) 数据。注意，这个数据集从未公开，引发了社区对"用私有数据训练闭源模型"的广泛讨论。作为回应，OpenCLIP 复现并扩展了 CLIP：

• 数据源：LAION-5B （公开的 50 亿图文对）；
• 训练规模：在 5B 数据上训练，模型规模覆盖多个量级；
• 工程上甚至用 CLIP 自己来过滤数据。具体来说，先用一个小 CLIP 给所有数据打分，只保留置信度高的部分训练大 CLIP。这种"自举"（bootstrapping）虽然有效，但也可能放大原始数据的偏差。

  图像预处理：

  神经网络不喜欢"动态"的东西，而图像的原始分辨率五花八门。CLIP 的处理方式很直接：

1. 双三次插值（Bicubic）把短边缩放到 336px；
2. 中心裁剪成 336×336 的正方形；
3. 归一化后送入视觉编码器。

  这个流程对 ImageNet 风格的"主体居中"图像很有效，但对文档截图、卫星图等多内容图像会丢失细节。这一问题在 15.4 节的 LLaVA OneVision 中得到了解决。

15.2.4 视觉编码器：Vision Transformer（ViT）

  CLIP 团队实验了 ResNet 和 Vision Transformer 两种视觉骨干网络，结论是 ViT（Vision Transformer）效果更好。如今大家说 "CLIP" 默认指的就是 ViT 版本。

  ViT 的核心思想是"把图像当成一串 token"：

1. 把图像切成固定大小的 patch（CLIP 默认是 14×14 像素）；
2. 每个 patch 线性投影成一个向量，这就是一个"视觉 token"；
3. 给所有 token 加上 1D 位置编码（实验证明 2D 位置编码相对 1D 并没有显著优势）；
4. 送入标准 Transformer encoder；
5. 最后用一个 attention pooling 层把所有 token 聚合成一个向量。

什么是 Attention Pooling？

  简单的做法是对所有 token 取平均（mean pooling），但 CLIP 团队发现用一个可学习的 query 向量对所有 token 做 attention 效果更好。换句话说，模型可以学会"重点关注哪些 patch"。这相当于给视觉编码器加了一个"软注意力"的输出层。

  CLIP 的最佳配置：

• 视觉端：ViT-L/14@336px（Large 规模、14×14 patch、336×336 输入）；
• 文本端：GPT-2 风格的 Transformer（约 6300 万参数），输入是 [BOS] + 文本 + [EOS]，取 [EOS] 位置的最后一层激活作为整个文本的表示。

15.2.5 核心结果与意义

  CLIP 最令人震撼的实验是 zero-shot ImageNet 分类：

  传统 ImageNet 训练需要 120 万张人工标注的图像和 1000 个类别标签；而 CLIP 用 4 亿对网络图文训练后，不做任何下游微调就能在 ImageNet 上超过专门训练的 ResNet，见图 15.2的(3).

  做法是构造 1000 个 prompt 模板（如 "a photo of a {class}"），把图像特征和这 1000 个文本特征做点积，选分数最高的类别。这一过程就是 zero-shot 分类。

  消融实验还揭示了一个反直觉的事实：让模型直接从图像生成完整 caption 文本，效果反而不如对比学习。这说明对于"获取图像的语义表示"这个目标，精确建模 token 序列并不重要，对比信号已经足够。

CLIP 的方法论遗产：

1. 海量弱监督数据 > 人工精标数据；
2. 对比学习是高效的"语义对齐"工具；
3. 简单的 ViT 编码器足以胜任；
4. 零样本能力是规模化的副产品。

15.2.6 CLIP 的局限

  尽管 CLIP 影响深远，但它有几个明显短板：

• 设计目标是图像分类，所以学到的特征偏"高层语义"，对细粒度信息（如 OCR、计数、空间关系）不敏感；
• 依赖超大 batch size（32K 级别），小 batch 下性能急剧下降；
• softmax 跨整个 batch 计算，无法在数据子集上独立分解，并行化困难；
• 对图像中的细粒度文本信息（如文档、表格、字幕）几乎无能为力。

  这些局限直接催生了下一节要介绍的 SigLIP，以及后续处理高分辨率的 AnyRes 等技术。

15.3 SigLIP：让 CLIP 更高效的工程改进

  SigLIP（Sigmoid Loss for Language Image Pre-training） 是 Google 在 2023 年提出的 CLIP 改进版。它在很多指标上和 CLIP 持平甚至更好，但工程上更友好。本节我们重点分析它做了哪些"小改动"，为什么这些改动如此有效。

15.3.1 从 Softmax 到 Sigmoid Loss

  CLIP 的损失本质是一个 $n$ 路 softmax 分类问题。SigLIP 把它换成了逐对的二分类问题：

  具体做法：

• 对角线元素（正样本对）→ 标签 = +1
• 非对角线元素（负样本对）→ 标签 = -1
• 用 sigmoid 函数 + 二分类交叉熵逐对计算损失

def siglip_loss(image_embeds, text_embeds, temperature, bias):
    """
    与 CLIP 的关键区别：每对独立判定，无需 batch 内 softmax
    """
    logits = image_embeds @ text_embeds.T * temperature + bias
    targets = torch.diag(torch.full((logits.size(0),), -1.0))  # 反对角线
    targets.fill_diagonal_(1.0)  # 对角线为 +1
    loss = -F.logsigmoid(targets * logits)  # 每个元素独立算
    return loss.mean()

  这个改动的"代码量"很小，但带来三个深远影响：

15.3.2 Loss 与 batch size 解耦

  CLIP 的"必须用大 batch"是它工程上的最大痛点。为什么会这样？因为 CLIP 的负样本来自同一个 batch，batch 越大负样本越多，损失函数本身就在变。

  SigLIP 的损失对 batch size 不敏感。原因是每对的损失是独立计算的，batch 只是把多个独立的 pair 堆在一起。实验发现：

• 小 batch（<16K）：SigLIP 远优于 CLIP；
• 32K batch：两者性能相当；
• 更大 batch：SigLIP 略优但提升放缓。

  这意味着对小团队、有限算力的研究者来说，SigLIP 是个"友好得多"的选择。

15.3.3 并行策略与训练效率

  CLIP 的损失需要把整个 batch 的相似度矩阵算出来才能做 softmax，这在大规模分布式训练中是个瓶颈，因为所有 GPU 之间的 embedding 都要互相"看到"。

  SigLIP 的天然分解性让类似 DDP（Distributed Data Parallel）的并行策略成为可能：

  具体做法：

1. 每个 GPU 只算自己那部分 (image, text) pair 的 embedding；
2. 通过 all-gather 或 轮转（shuffle） 通信，让每个 GPU 拿到所有 pair 的 embedding；
3. 每个 GPU 独立计算自己那部分 pair 的 sigmoid 损失。

  训练效率的对比：

  TPUv4 单卡算力其实不如 TPUv3，但 SigLIP 训练时间反而减半。原因是 SigLIP 用 32 卡就能跑出 CLIP 256 卡的效果（因为不需要那么大的 batch），整体通信开销和能耗都大幅下降。

  数据集（WebLI）：

  Google 训练 SigLIP 用的是 WebLI（Web Language Image dataset） 数据集：

• 规模：O(billion)（数十亿）对图文；
• 预处理：自动 OCR 提取图像中的文字；用模型打分保留 top 10% 高质量数据；
• 多语言：覆盖 100 种语言，这是 SigLIP 相对 CLIP 的另一个优势。

为什么 SigLIP 重要？

  它证明了对比学习的目标函数还有优化空间。CLIP 的 softmax 不是"唯一正确"的选择，sigmoid 这种更简单的损失在工程上反而更友好。这种"小改动带来大收益"是值得借鉴的工程哲学。

15.4 VLM 架构：将图像注入语言模型

  CLIP 学到了"图像-文本"的联合空间，但它的能力仅限于匹配和分类。换句话说，它不会"读图说话"。

  VLM（Vision-Language Model） 才是当下多模态对话系统的标准形态。它的核心思想是：

把图像编码成向量，然后"塞进"语言模型，让语言模型基于图像内容生成自然语言回答。

  这一节我们以 LLaVA 系列为例，拆解 VLM 的标准范式。

15.4.1 标准范式：Encoder + Adapter + LM

  几乎所有主流 VLM 都遵循一个三段式架构：

┌──────────────┐    ┌────────────┐    ┌──────────────────┐
│  Vision      │    │            │    │  Language        │
│  Encoder     │ ─► │  Adapter   │ ─► │  Model (LLM)     │
│  (CLIP/SigLIP)│   │  (W)       │    │  (Vicuna/Qwen)   │
└──────────────┘    └────────────┘    └──────────────────┘
   图像 → 视觉向量   维度对齐/特征转换   基于视觉条件生成文本

  每个组件的角色：

1. Vision Encoder：把图像编码成一系列向量（通常是几百个 patch token）。一般直接用现成的 CLIP 或 SigLIP 权重，冻结不训练；
2. Adapter/Projector：一个小型的"桥梁"模块（线性层、MLP 或 cross-attention），把视觉向量"翻译"成 LLM 能理解的"伪文本 token"；
3. Language Model：预训练好的 LLM，接收"文本 token + 视觉 token"的混合序列，自回归生成回答。

  这其实是一种"mid-training"或"post-training"。具体做法是：我们不动两个已经预训练好的大模块，只在中间"接一根线"，训练成本远低于从零训练一个多模态模型。

15.4.2 LLaVA：奠基性开源 VLM

  LLaVA（Large Language and Vision Assistant） 是 2023 年由微软和威斯康星大学联合发布的开源 VLM。它本身性能不如 GPT-4V，但完整开源了模型权重和训练数据，让社区第一次看清了 VLM 的内部结构。

  LLaVA 的三组件选择：

  训练数据生成（关键创新）：

  LLaVA 团队面临一个尴尬的难题：互联网上"图文对话"数据非常稀缺，因为大部分图文配对都是"图片 + 单句 caption"，没有"问-答"对话。

  他们用了一个巧妙的方案：用 GPT-4 合成对话数据。

  具体步骤：

1. 以 MS COCO 数据集为基础（已有高质量的物体框 + caption）；
2. 把每个图像的标注（类别、位置、关系、caption）打包成 prompt；
3. 让 GPT-4 基于这些信息生成三类对话：
   • Conversation：基于 caption 的日常问答；
   • Detailed Description：比 caption 更详细的描述；
   • Complex Reasoning：需要逻辑推理的问题。

  最终得到 158K 条合成对话，用于训练 LLaVA。

关于"用 GPT-4 合成数据"

  这在 2023 年引发了广泛讨论。LLaVA 团队坦承"unabashedly distilling GPT-4"，并不避讳用最强闭源模型的能力来训练开源模型。从工程角度看这是务实的；但从研究角度看，这也是为什么开源 VLM 的能力上限至今仍受制于闭源模型。

  两阶段训练：

  Stage 1 只训练线性投影 $W$，相当于教它"图像向量和文本向量在空间上要对齐"；Stage 2 解冻 LM，让它学会"看到图像后怎么回答问题"。

  LLaVA 论文里有一个经典示例：用户问 "What's unusual about this image?"（一张在小货车后面熨衣服的照片），模型回答 "a man ironing on the back of a minivan is unusual"。重点是用户并没有明确问"哪里不寻常"，但模型主动识别了反常点。这种主动观察能力在当时相当惊艳。

15.4.3 LLaVA OneVision：多图与视频

  LLaVA 1.5 和 LLaVA-Next 是渐进式改进。2024 年发布的 LLaVA OneVision 则把目标扩大：处理多张图像、视频等更复杂的输入。

  关键升级：

  AnyRes：高分辨率处理的核心创新

  LLaVA OneVision 最值得关注的工程创新是 AnyRes。动机如下：

  回想 CLIP，它把图像缩放到 336×336 再裁成正方形。这对"主体居中"的 ImageNet 风格图像没问题，但对文档截图、图表、长图来说就糟糕了，因为文字会小到无法辨认。

  AnyRes 的做法：

1. 一路：把整张图像 downsampled 编码（捕获全局信息）；
2. 多路：把原图切成最多 9 个 336×336 的 chunk，分别用 vision encoder 编码；
3. 拼接：把全局特征 + 切片特征拼成 token 序列；
4. 降采样：如果 token 太多，用 bilinear interpolation 降采样，控制总长度。

  三种模态的分辨率策略：

  术语说明：这里提到的 crop 和 tile 含义相近——都是指把高分辨率图切成的一个固定大小（通常 336×336）的子图块。每个 crop / tile 单独送进 vision encoder 编码，得到一组视觉 token。区别只是叫法习惯：CLIP 时代多用 "crop"，LLaVA OneVision 论文里偏好 "tile"。

  数据与训练：

  LLaVA OneVision 仍然坚持"质量 > 数量"的哲学：

  训练流程分三阶段：

1. Stage 1（对齐）：仅训练 projector，锁住其他；
2. Stage 2（知识注入）：高质量知识数据，训练更多参数；
3. Stage 3（任务微调）：下游任务数据，全模型训练。

15.4.4 跨模态迁移：涌现的泛化能力

  LLaVA OneVision 最有趣的发现是跨模态迁移（Cross-Modal Transfer）：

  具体例子：

• 图表+表格联合推理：训练数据里只有"单张图表"或"单张表格"，但模型在测试时能对"图表 + 表格组合"做对话；
• GUI Agent：训练数据里只有"单图 OCR + 关系推理"，但模型能分析多步骤的截屏、做界面操作；
• 视频物体追踪：训练数据里只有"单图 visual prompting（圈出目标）"，但模型能对视频做持续追踪。

  这种现象是 VLM 区别于传统监督学习的核心特征：任务之间会自发迁移。如果某个能力在足够多相关任务上被训练过，它就能"外推"到新场景。这正是基础模型范式的魅力所在。

15.5 Qwen-VL 系列：工业级 VLM 的演进

  如果说 LLaVA 是"学术界的开源示范"，那么 Qwen-VL 系列 就是"工业界持续打磨的代表"。从 2023 年至今，Qwen 团队几乎每 6-12 个月发布一个新版本，每个版本都带来工程细节上的显著优化。本节按时间顺序梳理其技术演进。

15.5.1 Qwen-VL：跨注意力适配器

  架构：

  LLaVA 的 Adapter 是简单线性投影，Qwen-VL 改成了单层 cross-attention。具体而言，把视觉向量作为 key/value，用一组可学习 query（数量固定为 256）去"查询"视觉信息。这样无论输入图像多大，最后都压缩成 256 个固定长度的 token，方便和文本拼接。

  特殊 token 的设计是 Qwen-VL 的特色：

• ``：标记图像边界；
• <box>：在文本中嵌入检测框坐标（"图中的 <box>cat</box> 在哪里"）；
• <ref>：跨图引用（"图1中的物体，在图2中变成什么样了？"）。

  这些特殊 token 让模型能"画"检测框、做跨图对话。这类细粒度能力在早期 VLM 中比较少见。

  三阶段训练：

1. Stage 1：大规模低质量数据；冻结 LM，训练 vision encoder + adapter；
2. Stage 2：高质量任务数据（VQA、chart QA 等）；全参数训练；
3. Stage 3：指令微调；冻结 vision encoder，训练 adapter + LM。

  能力展示：

15.5.2 Qwen2-VL：动态分辨率与 M-RoPE

  Qwen2-VL （2024 年）在 Qwen-VL 基础上做了三项关键升级。

  升级 1：更大的视觉骨干

  视觉编码器从 ViT-bigG 升级到 675M 参数的 ViT，规模显著增大。

  升级 2：动态分辨率

  之前 VLM 都把图像缩放到固定大小（336×336、448×448 等），Qwen2-VL 引入了动态分辨率机制：

• 每个 224×224 patch 单独用 ViT 编码；
• 每 2×2 个 patch 在通道维度压缩 → 每组产生 66 个 token；
• 不同分辨率的图像产生不同数量的视觉 token，但下采样率固定为每组 4 个 patch 对应 66 token。

  升级 3：M-RoPE（Multimodal Rotary Position Embedding，多模态旋转位置编码）

  这是 Qwen2-VL 最核心的创新。在第 4 章我们学过 RoPE（Rotary Position Embedding）。它的核心性质是让 attention 内积只取决于 token 之间的相对距离。传统 RoPE 是 1D 的，按 token 在序列中的位置编码。

  但多模态输入有二维甚至三维结构：

• 图像有 (高, 宽)；
• 视频有 (时间, 高, 宽)。

  M-RoPE 把 RoPE 推广到多维：对每个 patch/token，位置变成三元组 $(t, h, w)$，分别对应时间、高、宽。在每个维度上分别计算 RoPE，然后拼接。

  直觉上，M-RoPE 让模型能自然地区分"空间上相邻但时间上不同"的两个 patch（比如视频中两帧相同位置的像素），这在传统 1D 位置编码下是无法表达的。

  视频支持：

  Qwen2-VL 支持 2 fps 采样、最多 16,384 个视频 token，足以覆盖几分钟的视频。

15.5.3 Qwen3-VL：交错 M-RoPE 与 DeepStack

  Qwen3-VL （2025 年）的改进重点不是"大刀阔斧的架构变化"，而是一系列工程精修。Liang 在原讲中特别强调："这些不是结构上的大变化，但确实影响模型质量。"

  五项关键改进：

改进 1：更强的 LM 基座

  Qwen-3 系列（Dense/MoE（Mixture of Experts，混合专家模型），最高 235B-A22B），支持 256K 上下文。这一点对于长视频、长文档的处理至关重要。

改进 2：SigLIP-2 视觉编码器

  架构与 SigLIP 相同，但用了更新版本的数据与训练配方。关键优势：向后兼容 SigLIP，可以无缝替换。

改进 3：Interleaved M-RoPE

  Qwen2-VL 的 M-RoPE 是分段排列的，比如某个 token 内部的 RoPE 分量是 $[t, t, t, t, w, w, w, w, h, h, h, h]$——时间维度全在低频、空间维度全在高频。

  Qwen3-VL 改为交错排列：$[t, w, h, t, w, h, t, w, h, t, w, h]$。这样所有维度都"暴露"在低频和高频下，模型对所有位置信息都更敏感。

改进 4：显式视频时间戳

  之前视频时间戳是隐含在位置编码里的。Qwen3-VL 把"0 秒"、"2 秒"做成实际可引用的 token。用户可以直接问"2 秒后发生了什么？"。

改进 5：DeepStack Adapter

  传统 VLM 架构是"vision encoder → projector → LM"，vision encoder 的信息只通过 projector 一次性注入 LM。Qwen3-VL 引入 DeepStack：把 vision encoder 的多层输出分别注入 LM 的不同层。

  动机是：vision encoder 不同层学到不同抽象程度的特征（浅层=边缘/纹理，深层=语义），不同 LM 层需要的视觉信息粒度也不同。DeepStack 让"细粒度视觉"和"粗粒度语义"在 LM 内部多次融合，比一次性注入更灵活。

改进 6：平方根归一化的 per-token loss

  视频样本往往非常长（数千 token），如果用标准 cross-entropy，一个视频样本对总损失的贡献远超一个短文本样本，会让训练数据分布严重偏向视频。

  Qwen3-VL 引入 $1/\sqrt{\text{length}}$ 的归一化因子，让长样本的 per-token 损失被降权，避免数据不平衡。

  训练流程（7 阶段！）：

  Qwen3-VL 的训练流程非常复杂：

• 预训练 4 阶段：训练 adapter → 8K 全参数 → 32K 全参数 → 256K 全参数；
• 后训练 3 阶段：长 CoT（Chain of Thought，思维链）SFT → 知识蒸馏 → 强化学习。

  Liang 在原讲中感慨："Pipeline 现在变得相当复杂了。如果你看最终结果，这确实是一个相当好的模型。Qwen 模型实际上非常强。"

  这一节给我们的启示：

  VLM 领域的进步越来越依赖系统性的工程优化，具体体现在从数据、训练流程到 loss 设计的每一步精细调整上。单纯改变架构已很难带来质变，打磨细节才是制胜关键。

15.6 Chameleon：离散化路线的探索

  到目前为止我们看到的 VLM 都是混合架构。视觉端用专门的 Vision Encoder，文本端用 LLM，中间用一个 Adapter 桥接。

  Chameleon（Meta，2024） 提出了一个截然不同的思路：

能不能把图像和文本都当成"同一种东西"——离散 token？

  如果成功，整个模型就是一个标准的 Transformer，从图像生成、文本生成到图文混合生成，全程统一架构，统一训练。

15.6.1 全 Token 化的哲学

  这种哲学的背后是 Omni Model 的愿景：文本、图像、音频、视频共享同一个 token 空间，模型不再区分"模态"，只看到"token 序列"。这种统一在美感上确实让人向往。

15.6.2 VQ-VAE：图像离散化的关键组件

  要把图像变成离散 token，需要 VQ-VAE（Vector Quantized Variational Autoencoder）这种工具：

  VQ-VAE 的工作流程：

1. Encoder：图像 → 一组连续向量；
2. 向量量化：每个连续向量被"四舍五入"到最近的 codebook entry（codebook 大小约 8192）；
3. Decoder：从离散 code 重建图像；
4. 训练目标：最小化重建误差（+ 用 straight-through estimator 等技巧处理量化步骤的不可导性）。

  关键参数：

• 一张 512×512 的图像被切分成 1024 个 token；
• 每个 token 来自 8192 大小的词表；
• 整个训练语料（文本 + 图像）需要重新训练 BPE tokenizer，因为图像 token 完全是新东西。

  训练流程和标准 LM 一样，也是 next-token prediction，没有 Adapter，没有单独的 vision encoder。从这个角度看，Chameleon 比 LLaVA、Qwen-VL 简单得多。

15.6.3 训练不稳定性

  然而实际训练中，Chameleon 遇到了严重的不稳定问题：

"Text and images, despite occupying the same space, just behave very differently. Just calling things discrete tokens isn't hiding the fact that there's an image living there."

  造成问题的根本原因是两类 token 的熵差异：

• 文本 token：低熵——大多数词在上下文中是可预测的，模型很快就能学到；
• 图像 token：高熵——"我完全不知道这一小块 patch 的具体颜色"，不确定性大得多。

  后果是训练过程中：

• 参数范数（norm）不断膨胀；
• logits 出现 drift（漂移）；
• loss 震荡甚至发散。

  缓解措施：QK Norm（query/key 上的层归一化）+ Z-loss（logits 的额外正则项）。这些技巧能让训练勉强收敛，但代价是不优雅。

15.6.4 Chameleon 的局限与最终格局

性能层面：Chameleon 最终的模型性能不如同时期的混合架构 VLM。一个关键原因是离散化必然丢失信息。VQ-VAE 把连续色彩量化到 8192 个 code，重建的图像本身就有损；OCR 这种细粒度任务更是几乎不可用。

范式层面：VQ-VAE 路线在图像生成领域曾经很主流（早期 Stable Diffusion 的 latent 就是 VQ 化的）。但 2022 年后，扩散模型 在生成质量上全面超越自回归 + VQ 的组合：

• 扩散模型直接在连续 latent 空间去噪；
• 不需要量化步骤，信息损失为零；
• 生成质量上限更高。

  最终格局：

"The current best combination is: continuous encoders + Transformer + diffusion models for generation." ——Liang 在原讲中的总结

  这就是当下几乎所有前沿多模态系统（GPT-4V、Gemini、Qwen-VL、InternVL 等）的共同范式：

  Chameleon 的"全离散 token 化"虽然没能成为主流，但它的探索揭示了统一多模态架构的难度。原因是文本和图像的统计性质差异太大，强行统一反而引入训练难题。

15.7 总结与思考

  本讲是 CS336 课程的最后一节，我们从最基础的"为什么需要多模态"出发，一路走到了工业级 VLM 的最前沿。回顾整章内容，几个关键洞察值得反复咀嚼：

  1. Transformer 是当之无愧的"统一接口"

  无论文本、图像、音频还是视频，Transformer 都是大规模下的"最优解"。多模态建模的核心挑战不是"用什么架构"，而是"如何把非文本模态塞进 Transformer"。

  2. CLIP 的方法论影响深远

  5 年前提出的对比学习 + 海量弱监督数据 + 零样本能力这套范式，至今仍是 VLM 的基石。SigLIP 的工程改进、Qwen-VL 的视觉编码器选择，都延续了这条路线。

  3. VLM = Encoder + Adapter + LM

  这个三段式范式统治了当前的开源 VLM 生态。LLaVA、Qwen-VL、InternVL 等模型虽然具体细节不同，但骨架高度相似。差异化竞争主要在数据工程、训练流程、loss 设计这些"软"层面。

  4. 理解与生成存在张力

  CLIP/SigLIP 只需要"高层语义"，所以 336×336 的低分辨率就够；但 OCR、文档分析需要"细粒度信息"，必须用 AnyRes 这样的高分辨率方案。同样，生成端不能简单用 VQ 离散化，必须用扩散模型保持连续信息。没有一种万能方案能同时满足所有需求。

  5. 离散化路线虽优雅但不实用

  Chameleon 的尝试让我们看清"全统一"的代价。文本和图像的统计差异太大，强行离散化会引入训练不稳定和信息损失。连续表示 + 扩散生成的组合在当下是更务实的选择。

  6. 数据是真正的护城河

  无论是 OpenAI 的 CLIP（4 亿未公开数据）、LLaVA 的 158K 合成对话、还是 Qwen 的多阶段训练数据，数据规模和数据质量始终是 VLM 性能的决定性因素。架构可以开源，训练细节可以复现，但高质量数据往往是各家的核心机密。

  7. 跨模态迁移是涌现现象

  LLaVA OneVision 展示的"单图训练 → 多图任务"、"单图 OCR → GUI Agent"等迁移能力，是基础模型范式最迷人的地方。只要任务足够多、足够广，模型能自发学到跨任务的通用能力。这与传统监督学习"一个模型一个任务"的范式形成鲜明对比。

  8. 工业级 VLM 越来越复杂

  Qwen3-VL 的 7 阶段训练、DeepStack 跨层注入、Interleaved M-RoPE……这些工程细节堆叠起来，已经让一个完整 VLM 的训练 pipeline 比早期 LLM 还要复杂。未来多模态领域的突破，很可能来自这些系统性的工程优化，而非单一架构创新。

思考题

  在学完本章后，不妨思考以下问题：

1. 如果让你从零设计一个 VLM，你会选择连续表示（CLIP 路线）还是离散表示（Chameleon 路线）？为什么？
2. CLIP 的对比损失和生成式 caption 损失哪个更高效？为什么？（提示：考虑负样本数量与计算复杂度）
3. SigLIP 为什么能在小 batch 下 work？ 从损失函数的角度解释。
4. AnyRes 的局限是什么？ 如果一张超高分辨率的图像被切成了几十个 patch，token 数量会不会爆炸？
5. DeepStack 把视觉信息注入 LM 的不同层。这和"通过 Adapter 一次性注入"相比，有什么潜在问题？
6. Chameleon 训练不稳定的根源是文本和图像的熵差异。如果让你设计一个 loss 来缓解，你会怎么做？

参考文献与延伸阅读

• CLIP (Radford et al., 2021) — 对比语言-图像预训练
• OpenCLIP (Ilharco et al., 2022) — CLIP 的开源复现
• SigLIP (Zhai et al., 2023) — Sigmoid Loss 替代 Softmax
• ViT (Dosovitskiy et al., 2020) — Vision Transformer
• LLaVA (Liu et al., 2023) — 第一个开源 VLM
• LLaVA OneVision (Li et al., 2024) — 多图/视频 VLM
• Qwen-VL (Bai et al., 2023)
• Qwen2-VL (Wang et al., 2024) — Dynamic Resolution + M-RoPE
• Qwen3-VL (2025) — SigLIP-2 + DeepStack + Interleaved M-RoPE
• Chameleon (Meta, 2024) — 全离散 token 的多模态模型
• VQ-VAE (van den Oord et al., 2017) — 向量量化变分自编码器
• WebLI (Chen et al., 2022) — 大规模图文数据集
• DeepStack (DeepSeek, 2024) — 跨层视觉-语言融合
• Stanford CS336 (Spring 2026) 课程主页