BLIP-2：零样本图像到文本生成

BLIP-2 是一种高效的零样本图像到文本生成模型，通过利用预训练的图像编码器和语言模型，无需针对特定任务进行微调即可实现图像描述、视觉问答等功能。该模型采用轻量级查询 Transformer 连接视觉和语言模块，显著降低了计算成本。在多个基准测试中，BLIP-2 在零样本设置下取得了与全微调模型相当甚至更优的性能，为多模态学习提供了新范式。