929 B
929 B
Flamingo: a Visual Language Model for Few-Shot Learning
- 第一作者：Jean-Baptiste Alayrac
- 发表：NeurIPS 2022 主会
- 阅读深度：摘要及 gated cross-attention 方法片段筛选
- 记录日期：2026-08-28
- 来源：正式条目、论文
摘要与项目关系
利用桥接视觉和语言模型的结构，使模型能处理交错图像/视频及文本；通过新增视觉交互模块利用预训练骨干。它是门控 cross-attention 内部融合的基础参考，不是本项目需要从头重训的完整系统。
本项目拟借鉴有限视觉 memory 与局部 adapter，不声称新增 gate 本身构成方法创新。更直接的 AV 迁移证据参见 Whisper-Flamingo 笔记；接话因果性和人物交互仍需本项目独立证明。