🔑 名詞卡

BLIP／BLIP-2（Bootstrapping Language-Image Pre-training）

🎯 定義

Salesforce 發表的多模態模型，強化圖文問答（Visual Question Answering, VQA）與生成任務，支援圖片與文字的雙向理解。

重點

屬於多模態 AI 技術演進「當前階段：Transformer 與自注意力驅動的統一架構」代表模型之一，與 Flamingo、M3AE 並列。

BLIP＝Bootstrapping（自我提升式訓練）＋Language-Image（圖文），專攻「雙向」理解（圖轉文、文轉圖都行）。

📖 課文原文
「BLIP（Bootstrapping Language-Image Pre-training）由 Salesforce 發表，強化圖文問答（Visual Question Answering, VQA）與生成任務，支援圖片與文字的雙向理解。」