简介

Ovis2.5支持原始分辨率图像输入(448²~1792²)，升级LLM为Qwen3并增加思考模式。架构采用视觉编码器+VET+LLM结构，通过视觉嵌入表实现视觉与文本对齐。采用五阶段训练法：视觉嵌入表初始化、多模态基础对齐、指令理解、偏好对齐和强化学习，全面提升模型在视觉理解、多模态交互和复杂推理方面的能力。

---

改进点概述：

• Ovis2 采用固定分辨率ViT，需将图像分割为固定大小的子图（tiling）处理，这会破坏复杂视觉内容的全局布局连贯性和细粒度细节，Ovis2.5直接以图像原始分辨率（无需分块）输入，支持 448²~1792² 像素。（从代码看，原生分辨率直接从qwen2.5-vl copy过来的）
• 升级LLM为qwen3，增加思考推理能力，支持可选 “思考模式”：推理时可灵活开启 / 关闭该模式
• 训练策略上使用数据打包和混合并行性进行优化，加速训练

一、架构

架构

架构保留了ovis之前的结构，由视觉编码器+VET（视觉嵌入表）+LLM构成：

VET过程概述：

1. 图(a)：基于连接器的MLLM：传统多模态模型（如LLava）的典型架构，连接器通常是一个MLP，其作用是将视觉特征投影到与文本嵌入相同的维度空间中。
2. 图(b)：Ovis的结构化嵌入对齐：视觉编码器的输出不再直接通过MLP投影，而是送入一个视觉嵌入表（Visual Embedding Table）。这个表是一个可学习的结构，类似于文本嵌入表。

• 视觉编码器：图像首先被视觉编码器（如 ViT）处理，分为多个patches，每个patch生成一个连续的特征向量。
• 不同于传统方法直接通过 MLP 投影，Ovis 在视觉编码器后整合了一个可学习的视觉嵌入表。每个图像patch的特征向量用于多次索引该表，生成最终的视觉嵌入。为了使视觉和文本嵌入具有兼容的形状，视觉嵌入表的维度设置为与文本嵌入表相同。
• 嵌入对齐：视觉嵌入表的引入使得视觉嵌入的生成方式与文本嵌入类似。文本嵌入通常通过查找表为每个token分配一个嵌入向量，而 Ovis 通过视觉嵌入表为视觉patch生成结构化的嵌入，实现了两者的对齐。

二、训练方法

五阶段训练法

阶段1：预训练P1 - 视觉嵌入表（VET）初始化

冻结ViT主体（仅解冻最后一层）、LLM全冻，仅训练视觉头（Visual Head）和视觉嵌入表（VET）。

• 数据：纯图像-描述对（如COYO、Laion），无对话格式，聚焦基础视觉理解。
• 分辨率：动态调整图像像素至448²~896²（保留宽高比），禁用RoPE（因ViT预训练无位置编码），通过动态位置嵌入插值适应可变分辨率。

阶段2：预训练P2 - 多模态基础对齐

激活全模块（VT/VET/LLM），对齐多模态对话格式，扩展高分辨率感知。全参数微调，引入多模态数据打包（将短样本拼接为长序列），减少Padding浪费，提升GPU利用率。

• 数据：新增OCR（文档/图表）、视觉定位（RefCOCO）、多轮对话数据，覆盖“图像→文本”交互。
• 分辨率：支持448²~1792²像素，激活ViT所有块的旋转位置编码（RoPE），强化高分辨率下的空间关系建模（如图表中数据点与坐标轴的位置关联）。

阶段3：预训练P3 - 多模态指令理解

扩展至8大领域（STEM/医疗/多语言等），新增多图像/视频输入，并注入带<think>...</think>标签的“思考式样本”。延续1792²支持，适配复杂图表的高密度信息（如图表中的小文本、密集数据线）。LLM切换为Qwen3，其深度推理能力（如数学公式生成）与视觉模块协同，实现“视觉信息→逻辑链→结论”的端到端训练。

阶段4：后训练P1 - 偏好对齐（DPO）

通过人类偏好优化输出质量，减少幻觉，强化推理可信度。全参数DPO（Direct Preference Optimization）+ 辅助NLL损失，对每个查询生成5~10个候选答案，形成偏好对（A＞B），优化模型选择更符合人类偏好的输出。

阶段5：后训练P2 - 强化学习（GRPO）

针对推理任务（如数学、逻辑）进行专项优化，冻结视觉模块以保感知能力。仅更新LLM参数，采用GRPO，通过“奖励模型→策略优化”循环，强化复杂推理的逻辑连贯性。

数据：聚焦可验证任务（MathVista/LogicVista），将多选问题转为填空（减少猜测依赖），离线过滤低质量样本。

三、实验效果

三、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。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

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。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

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】