minimind-v

收录理由

开源视觉语言模型领域里，多数项目只丢给你一堆预训练权重，而MiniMind-V却把整套训练流程完整地摊开在你面前，而且是真的能跑起来的那种。从用冻结的SigLIP视觉编码器把图像转成token，到通过投影层把这些特征对齐到语言模型，再到Pretrain和SFT两个阶段，每一步都有代码和说明。单张NVIDIA RTX 3090就能在大约两小时内完成65M模型的SFT训练，仓库里也提供了低至65M的多个现成检查点，想省事的话直接加载一个就能开始玩。代码刻意写得精简，每个阶段都有文档，研究者可以把它当作参考实现，工程师也能照着在自己的硬件上复现一个紧凑的多模态模型。项目里关于成本和资源消耗的说明也很实在，对正在掂量要不要自己搞小型视觉语言系统的团队来说，是个很实用的参考。