最近在HuggingFace上有一个开源多模态模型引起了广泛关注：Omnivision-968M。这款模型以其不到1B参数量的小巧体积（仅968M参数量）脱颖而出，成为目前市场上最小的视觉语言模型之一。

Blog: https://nexa.ai/blogs/omni-vision

Model: https://huggingface.co/NexaAIDev/omnivision-968M

Omnivision-968M

🚀 Omnivision-968M是由Nexa AI这家创业公司推出（与国内做CMOS闻名的同名半导体企业Omnivision无关）。Nexa AI的愿景是打造先进的端侧AI模型，让AI技术不再局限于云端，而是能够直接在本地设备上运行。这不仅意味着成本的降低，更重要的是，它能够更好地保护用户的隐私安全。

💻Omnivision-968M由于体积较小，所以模型在推理速度上，有着非常不错的表现。在Apple最新M4 Pro处理器的MacBook上，它能够以不到2秒的惊人速度，生成一张1046×1568像素图像的语言描述。它在处理过程中仅占用988MB的统一内存空间。

🔍Omnivision在LLaVA架构的基础上进行了改进，带来了以下两大改进：【9倍Token缩减】：Omnivision将图像Token从729减少到81，这一改进大幅降低了延迟和计算成本，让模型运行更加高效。【更少幻觉】：通过使用来自可信数据的DPO训练，Omnivision减少了幻觉现象，提高了结果的可靠性。

模型结构

OmniVision的架构由以下三个关键组件构成：

基础语言模型：Qwen2.5-0.5B-Instruct作为基础语言模型，用于自回归输出文本。这款强大的语言模型为OmniVision提供了强大的文本处理能力。

视觉编码器：SigLIP-400M，分辨率384，以14×14的patch大小生成图像embedding。这一组件负责将输入的图像转换成embedding。

投影层：MLP将视觉编码器的嵌入与语言模型的Token空间对齐。与标准的LLaVA架构相比，能够将图像Token数目减少9倍。

视觉编码器首先将输入的图像转换成嵌入，然后这些嵌入通过投影层处理，以匹配Qwen2.5-0.5B-Instruct的Token空间，从而实现端到端的视觉-语言理解。

训练方法

预训练阶段：OmniVision的训练始于预训练阶段，这一阶段的核心任务是建立基本的视觉-语言对齐。我们使用图像-文本描述对来进行训练，仅解冻MLP投影层参数，以便学习图像文本Token空间映射关系。

SFT：在预训练的基础上，通过图像问答数据集来增强模型的上下文理解能力。在SFT阶段，模型会在包含图像的结构化聊天记录上进行训练，以生成更符合上下文的响应。

DPO：训练流程的最后阶段是直接偏好优化（DPO）。首先，基础模型会针对图像生成响应。然后，教师模型会产生最小编辑的修正，同时保持与原始响应的高语义相似性，特别关注准确性至关重要的元素。这些原始和修正后的输出形成选择-拒绝对（chosen-rejected pair）。微调的目标是在不改变模型核心响应特征的情况下，针对模型输出进行必要的改进。纠正预测分布，减少模型幻觉。

特色方法

上述模型结构和训练方法和主流方法比没有太多特殊之处，Omnivision除了模型参数量小之外，还应用了这些方法：

9x图像Token压缩： 在边缘设备部署多模态模型时，处理太大的图像Token数目会产生显著的计算开销，因为计算复杂度为O（N**2）的序列长度。标准LLaVA架构中，每张图像生成729个Token（27x27），导致高延迟和高计算成本。OmniVision使用了和InternVL类似的方法，在投影阶段使用pixel unshuffle机制，将图像嵌入从[batch_size, 729, hidden_size]转换为[batch_size, 81, hidden_size*9]，这样减少了9倍的Token数量，但保持信息量没有被减少，只是挪动到了通道上，不牺牲模型性能。实验表明，这种压缩方法极大地提高了模型推理速度。分析表明，这种改进源于基础Qwen模型对较短序列的处理能力，其中压缩格式提供了更集中的信息表示。

最小编辑DPO： 传统的DPO方法可能导致模型行为的显著变化。OmniVision的DPO实现使用最小编辑对进行训练。教师模型在保持原始结构的同时，对基础模型的输出进行小的、有针对性的改进。这种方法确保了精确的质量改进，而不破坏模型的核心能力。

性能评测

在所有任务中，OmniVision的表现都优于之前世界上最小的视觉语言模型nanoLLAVA。但略逊于Qwen2-VL-2B

（OmniVision生成图像描述）

（OmniVision可以寻找图像中出现的目标）

（OmniVision分析食物图像并生成食谱）

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】