BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models

• 类型：arxiv
• 标识：2301.12597
• 链接：https://arxiv.org/abs/2301.12597
• 主题：multimodal
• 主分类：engineering
• 形态：method
• 被引：8994
• 被引来源：Semantic Scholar
• S2被引：8994
• OpenAlex被引：922
• 影响力被引：993
• TLDR：BLIP-2 achieves state-of-the-art performance on various vision-language tasks, despite having significantly fewer trainable parameters than existing methods, and is demonstrated's emerging capabilities of zero-shot image-to-text generation that can follow natural language instructions.
• OpenAlex ID：W4318718936
• OpenAlex DOI：10.48550/arxiv.2301.12597
• DOI：10.48550/arxiv.2301.12597
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2301.12597
• OpenAlex更新：2026-08-23
• 待LLM分类：否
• 标题中文：BLIP-2：基于冻结图像编码器与大语言模型的 Bootstrap 语言-图像预训练
• TLDR中文：BLIP-2 在多种视觉-语言任务上取得 SOTA 性能，可训练参数远少于现有方法，并展现出遵循自然语言指令进行零样本图生文的新兴能力。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]