视觉语言模型：构建带有拥抱脸部的 VLM

视觉语言模型 (VLM) 将计算机视觉和自然语言处理相结合，创建强大的系统，可以在多模式环境中解释、生成和响应。 《视觉语言模型》是一本实践指南，帮助您使用 Hugging Face、Meta (PyTorch)、NVIDIA (Cuda) 等最新的机器学习工具堆栈构建现实世界的 VLM，由领先的研究人员和实践者 Merve Noyan、Miquel Farré、Andrés Marafioti 和 Orr Zohar 撰写。从图像字幕和文档理解到高级零样本推理和检索增强生成 (RAG)，本书涵盖了完整的 VLM 应用和开发生命周期。

本指南专为 ML 工程师、数据科学家和开发人员设计，将前沿的 VLM 研究提炼为实用技术。读者将学习如何准备数据集、选择正确的架构、微调和部署模型，并将其应用到各行业的实际任务中。

• 探索核心模型架构和对齐技术
• 使用 Hugging Face、PyTorch 等训练和微调 VLM
• 为图像搜索和字幕等应用部署模型
• 实施高级推理策略，从零样本到代理系统
• 构建可供生产使用的可扩展 VLM 系统