跳到正文

Cola

用语言模型聚合视觉语言模型的输出

访问官网

Cola 是什么

Cola 被介绍为一种通过起协调作用的语言模型,聚合两个或更多视觉-语言模型输出的方法。

你可以用它做什么

  • 用 LM 汇总多个 VLM 的输出
  • 使用微调后的 Cola-FT 变体
  • 使用零样本的 Cola-Zero 变体

模型说明

  • 资料点名可应用于 InstructBLIP
  • 资料列出 7 个数据集,含 VQA v2 与 GQA
  • 资料提到性能提升与对错误的鲁棒性

优点与缺点

✓ 我们认可的地方

  • 可应用于 InstructBLIP 等模型
  • 资料列出 7 个数据集

! 需要留意的地方

  • 方法需要一个起协调作用的语言模型
  • 结果取决于被聚合的 VLM 输出

常见问题

名称展开是什么?

资料把 Cola 展开为 COordinative LAnguage model or visual reasoning。

列出哪些数据集?

资料列出 VQA v2、OK-VQA、A-OKVQA、e-SNLI-VE、VSR、CLEVR 和 GQA。

最后评测: 2026-11-15

更多 大模型 API 平台 工具

查看全部 →

评测方法