Multimodal
Chi tiết các mô hình Multimodal hiện tại và cách thiết kế chúng
Mô hình CLIP
Mô hình VIT
LLAMA3.2 Vision Model
1. Mô hình CLIP
1.1. CLIP model
1.2. Thực hành
Lập trình CLIP từ đầu
https://drive.google.com/file/d/1zpEFP1K5gMZwQafZ0rIi7EA8nW91XUDo/view?usp=drive_link
Fine tune CLIP
https://drive.google.com/file/d/1WXA6w-MZn0j72Vnl07neHb6Gs5xNImZy/view?usp=drive_link
CLIP là mô hình phân loại ảnh
https://drive.google.com/file/d/1erbHcICMhA3Wooh-MUwhr8jA0IybbJy8/view?usp=drive_link
2. VIT Foundation
2.1. VIT Model
2.2. Slide
3. Flamingo
3.1. Flamingo
4. Đọc nghiên cứu MultiModal
4.1. Các nghiên cứu cần đọc
4 loại kiến trúc MultiModals phổ biến:
Type | Name | Description |
|---|---|---|
Type-A | SCDF | Standard Cross-attention based Deep Fusion |
Type-B | CLDF | Custom Layer based Deep Fusion |
Type-C | NTEF | Non-Tokenized Early Fusion |
Type-D | TEF | Tokenized Early Fusion |
Flamingo: https://slds-lmu.github.io/seminar_multimodal_dl/c02-00-multimodal.html#flamingo
The Evolution of Multimodal Model Architectures: https://arxiv.org/pdf/2405.17927
Mô hình Qwen VL 3.5: https://arxiv.org/pdf/2511.21631