关于效果预期

[jingyaogong]

minimind-v是一个不错的「玩具」用于学习VLM结构和训练流程。

从效果来看，受LLM本身能力的限制，minimind-v目前离「可用生产力」还差得很远，虽然它能粗粒度识别场景和画面对象，但在理解上还存在明显的偏差和幻觉。

在此基础上，期待minimind-v可以发挥其抛砖引玉的作用，成为一块有用的「砖」为大家深入研究铺路

[cqcracked]

如果层数加到80 维度加到1024或者2048 。再加大训练数据量（比如几个T的tokens），其它都不改，效果应该会有明显提升吧？当然minimind也要对应改

[jingyaogong]

如果层数加到80 维度加到1024或者2048 。再加大训练数据量（比如几个T的tokens），其它都不改，效果应该会有明显提升吧？当然minimind也要对应改

那就是5B左右的语言模型，效果会得到保证