MobileAgent系列学习 — Mobile Agent v2Mobile-Agent-v2通过多智能体协作显著提升移动设备操作任务的完成率，特别是在高级指令场景中。该架构包含规划、决策和反思智能体，能够有效应对任务进度和聚焦内容导航的挑战，实验结果显示性能提升超过30%。2025-1-14 VLM Agents
CLIP系列学习（三） — LongCLIP算法学习Long-CLIP突破了CLIP的文本输入长度限制，从77个token扩展到256个，提升了长文本图像检索的效果，采用了知识保留的位置信息扩展和主成分匹配的方法。实验表明，CLIP的有效长度约为20个token，长文本的细节和重要性得以更好地捕捉。2024-12-31 VLM Pre-train CLIP
CLIP系列学习（二） — BLIP & BLIP 2算法学习BLIP和BLIP-2是用于视觉语言理解和生成的模型，前者结合了对比损失和语言损失，后者通过冻结的图像编码器和大型语言模型提升性能，采用了QFormer作为中介，支持多模态任务。BLIP-2在处理图像特征时更为高效，生成能力也更强2024-12-27 VLM CLIP Pre-train
CLIP系列学习（一）— CLIP算法学习CLIP是一种多模态预训练模型，能够实现图像和文本的联合表示学习，具备零样本学习能力，广泛应用于图像分类、文本到图像检索等领域。后续研究如BLIP、GLIP等进一步扩展了其功能和应用，提升了模型的细粒度理解和计算效率。2024-12-20 VLM Pre-train CLIP
