优势
通用的
计算高效：更少的可训练参数，因为直接使用预训练好的视觉模型、大语言模型（冻结了参数）
框架
训练分为两个学习阶段：
视觉和语言的表示学习阶段
视觉到语言的生成式学习阶段
预训练好的视觉模型提供高质量的视觉表示，预训练好的
2024-11-08