arXiv · 机器人与计算机视觉· H M Dipu Kabir, Subrota Kumar Mondal, Mohammad Ali Moni·· 2026-10-08AI 评分38
Batch Augmentation with Unimodal Fine-tuning 方法实现多模态融合大语言模型 SOTA 精度
Batch Augmentation with Unimodal Fine-tuning for Multimodal Fusion of Large Language Models
AI 导读
该方法通过预训练单模态模型并微调,结合 MLP 头与批量增强技术,在 FPU23 超声和 UPMC Food-101 数据集上取得最佳平均结果。基于 ViT-L/16 视觉与 GPT-2 文本架构的模型,在 UPMC Food-101 数据集上达到 93.29% 的最先进准确率。相关脚本已开源供传统方法对比参考。
来源:arXiv · 机器人与计算机视觉 · arxiv.org