SimVLM: Simple Visual Language Model Pretraining with Weak Supervision

• 类型：arxiv
• 标识：2108.10904
• 链接：https://arxiv.org/abs/2108.10904
• 主题：multimodal
• 主分类：multimodal
• 形态：method
• 被引：970
• 被引来源：Semantic Scholar
• S2被引：970
• OpenAlex被引：343
• 影响力被引：97
• TLDR：This work presents a minimalist pretraining framework, named SimVLM, which significantly outperforms previous pretraining methods and achieves new state-of-the-art results on a wide range of discriminative and generative vision-language benchmarks, including VQA, NLVR2, and image captioning tasks.
• OpenAlex ID：W3193402170
• OpenAlex DOI：10.48550/arxiv.2108.10904
• DOI：10.48550/arxiv.2108.10904
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2108.10904
• OpenAlex更新：2026-07-30
• 副分类：engineering
• 待LLM分类：否
• 标题中文：SimVLM：基于弱监督的简单视觉语言模型预训练
• TLDR中文：本文提出极简的预训练框架 SimVLM，在广泛的判别式与生成式视觉-语言基准上显著超越既往预训练方法并取得新 SOTA，包括 VQA、NLVR2 以及图像描述任务。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]