flykhan
2536c937e3
翻译自英文原版 maths-cs-ai-compendium，共 20 章全部完成。 第01章 向量 | 第02章 矩阵 | 第03章 微积分 第04章 统计学 | 第05章 概率论 | 第06章 机器学习 第07章 计算语言学 | 第08章 计算机视觉 | 第09章 音频与语音 第10章 多模态学习 | 第11章 自主系统 | 第12章 图神经网络 第13章 计算与操作系统 | 第14章 数据结构与算法 第15章 生产级软件工程 | 第16章 SIMD与GPU编程 第17章 AI推理 | 第18章 ML系统设计 第19章 应用人工智能 | 第20章 前沿人工智能 翻译说明： - 所有数学公式 $...$ / $$...$$、代码块、图片引用完整保留 - mkdocs.yml 配置中文导航 + language: zh - README.md 已翻译为中文（兼 docs/index.md） - docs/ 目录包含指向各章文件的 symlink - 约 29,000 行中文内容，排除 .cache/ 构建缓存
96 lines
5.4 KiB
XML
96 lines
5.4 KiB
XML
<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 800 300" width="800" height="300" font-family="Arial, sans-serif">
|
|
<defs>
|
|
<marker id="sv-arrow" markerWidth="8" markerHeight="6" refX="8" refY="3" orient="auto">
|
|
<path d="M0,0 L8,3 L0,6" fill="#666"/>
|
|
</marker>
|
|
</defs>
|
|
|
|
<!-- Title -->
|
|
<text x="400" y="24" font-size="14" font-weight="bold" fill="#333" text-anchor="middle">Scaling Vision-Language Models</text>
|
|
|
|
<!-- Dividers -->
|
|
<line x1="267" y1="38" x2="267" y2="280" stroke="#ccc" stroke-width="1" stroke-dasharray="6,4"/>
|
|
<line x1="534" y1="38" x2="534" y2="280" stroke="#ccc" stroke-width="1" stroke-dasharray="6,4"/>
|
|
|
|
<!-- === Column 1: PaLI === -->
|
|
<text x="133" y="55" font-size="13" font-weight="bold" fill="#333" text-anchor="middle">PaLI</text>
|
|
|
|
<!-- ViT-e (large box) -->
|
|
<rect x="35" y="75" width="90" height="100" rx="8" fill="#3498db" fill-opacity="0.12" stroke="#3498db" stroke-width="1.5"/>
|
|
<text x="80" y="118" font-size="11" fill="#333" text-anchor="middle">ViT-e</text>
|
|
<text x="80" y="135" font-size="10" fill="#3498db" text-anchor="middle" font-weight="bold">4B</text>
|
|
<text x="80" y="150" font-size="8" fill="#666" text-anchor="middle">params</text>
|
|
|
|
<!-- Arrow -->
|
|
<line x1="125" y1="125" x2="148" y2="125" stroke="#666" stroke-width="1.5" marker-end="url(#sv-arrow)"/>
|
|
|
|
<!-- mT5 (larger box) -->
|
|
<rect x="153" y="65" width="100" height="120" rx="8" fill="#e74c3c" fill-opacity="0.12" stroke="#e74c3c" stroke-width="1.5"/>
|
|
<text x="203" y="118" font-size="11" fill="#333" text-anchor="middle">mT5</text>
|
|
<text x="203" y="135" font-size="10" fill="#e74c3c" text-anchor="middle" font-weight="bold">13B</text>
|
|
<text x="203" y="150" font-size="8" fill="#666" text-anchor="middle">params</text>
|
|
|
|
<!-- PaLI Total -->
|
|
<text x="133" y="210" font-size="10" fill="#333" text-anchor="middle" font-weight="bold">Total: 17B</text>
|
|
|
|
<!-- PaLI note -->
|
|
<text x="133" y="235" font-size="9" fill="#666" text-anchor="middle">Largest ViT ever trained</text>
|
|
<text x="133" y="250" font-size="9" fill="#666" text-anchor="middle">100+ languages</text>
|
|
<text x="133" y="265" font-size="9" fill="#999" text-anchor="middle">Google, 2022</text>
|
|
|
|
<!-- === Column 2: Qwen-VL === -->
|
|
<text x="400" y="55" font-size="13" font-weight="bold" fill="#333" text-anchor="middle">Qwen-VL</text>
|
|
|
|
<!-- ViT (medium box) -->
|
|
<rect x="305" y="85" width="75" height="75" rx="8" fill="#3498db" fill-opacity="0.12" stroke="#3498db" stroke-width="1.5"/>
|
|
<text x="342" y="118" font-size="11" fill="#333" text-anchor="middle">ViT-G</text>
|
|
<text x="342" y="135" font-size="10" fill="#3498db" text-anchor="middle" font-weight="bold">1.9B</text>
|
|
|
|
<!-- Arrow -->
|
|
<line x1="380" y1="122" x2="403" y2="122" stroke="#666" stroke-width="1.5" marker-end="url(#sv-arrow)"/>
|
|
|
|
<!-- Qwen (larger box) -->
|
|
<rect x="408" y="75" width="90" height="95" rx="8" fill="#e74c3c" fill-opacity="0.12" stroke="#e74c3c" stroke-width="1.5"/>
|
|
<text x="453" y="115" font-size="11" fill="#333" text-anchor="middle">Qwen</text>
|
|
<text x="453" y="132" font-size="10" fill="#e74c3c" text-anchor="middle" font-weight="bold">7B</text>
|
|
<text x="453" y="147" font-size="8" fill="#666" text-anchor="middle">LLM</text>
|
|
|
|
<!-- 3-stage training note -->
|
|
<rect x="335" y="178" width="110" height="20" rx="4" fill="#f39c12" fill-opacity="0.12" stroke="#f39c12" stroke-width="1"/>
|
|
<text x="390" y="192" font-size="8" fill="#f39c12" text-anchor="middle">3-stage training</text>
|
|
|
|
<!-- Qwen-VL Total -->
|
|
<text x="400" y="225" font-size="10" fill="#333" text-anchor="middle" font-weight="bold">Total: ~9.6B</text>
|
|
|
|
<!-- Note -->
|
|
<text x="400" y="250" font-size="9" fill="#666" text-anchor="middle">Grounding + multilingual</text>
|
|
<text x="400" y="265" font-size="9" fill="#999" text-anchor="middle">Alibaba, 2023</text>
|
|
|
|
<!-- === Column 3: InternVL === -->
|
|
<text x="667" y="55" font-size="13" font-weight="bold" fill="#333" text-anchor="middle">InternVL</text>
|
|
|
|
<!-- InternViT (large box) -->
|
|
<rect x="570" y="75" width="88" height="105" rx="8" fill="#3498db" fill-opacity="0.12" stroke="#3498db" stroke-width="1.5"/>
|
|
<text x="614" y="115" font-size="10" fill="#333" text-anchor="middle">InternViT</text>
|
|
<text x="614" y="132" font-size="10" fill="#3498db" text-anchor="middle" font-weight="bold">6B</text>
|
|
<text x="614" y="147" font-size="8" fill="#666" text-anchor="middle">params</text>
|
|
|
|
<!-- Arrow -->
|
|
<line x1="658" y1="127" x2="680" y2="127" stroke="#666" stroke-width="1.5" marker-end="url(#sv-arrow)"/>
|
|
|
|
<!-- LLM (medium box) -->
|
|
<rect x="685" y="85" width="80" height="85" rx="8" fill="#e74c3c" fill-opacity="0.12" stroke="#e74c3c" stroke-width="1.5"/>
|
|
<text x="725" y="122" font-size="11" fill="#333" text-anchor="middle">LLM</text>
|
|
<text x="725" y="139" font-size="10" fill="#e74c3c" text-anchor="middle" font-weight="bold">8B+</text>
|
|
|
|
<!-- Dynamic resolution note -->
|
|
<rect x="600" y="195" width="130" height="20" rx="4" fill="#27ae60" fill-opacity="0.12" stroke="#27ae60" stroke-width="1"/>
|
|
<text x="665" y="209" font-size="8" fill="#27ae60" text-anchor="middle">dynamic resolution</text>
|
|
|
|
<!-- InternVL Total -->
|
|
<text x="667" y="240" font-size="10" fill="#333" text-anchor="middle" font-weight="bold">Total: ~14B+</text>
|
|
|
|
<!-- Note -->
|
|
<text x="667" y="260" font-size="9" fill="#666" text-anchor="middle">Scales ViT to 6B params</text>
|
|
<text x="667" y="275" font-size="9" fill="#999" text-anchor="middle">Shanghai AI Lab, 2024</text>
|
|
</svg> |
