待验证50% 置信观点精确时间

VLM的性能瓶颈除视觉编码器外，还可能来自连接模块（connector/projector）、语言模型的指令跟随能力和训练数据

1

来源数

50%

置信度

长期有效

时效性

2026/9/12

首次发现

来源

CLIP视觉编码器正成为VLM的性能瓶颈吗？

涉及实体

相关事实

待验证构造包含计数、空间关系、细粒度属性的训练数据可以缓解VLM预训练阶段的先天不足75% 相似待验证微调VLA模型时通常采用分层学习率策略：视觉编码器使用极小学习率或冻结，语言模型层使用中等学习率，动作专家使用较大学习率73% 相似待验证对视觉大模型做下游任务微调时，可选择只微调后端LLM、只微调前端Encoder、两部分都训练，或指定训练特定层和模块69% 相似待验证训练性能瓶颈来自 DataLoader，GPU 在等待数据供给过程中大量空转68% 相似待验证混合方案可行：在训练阶段使用NeMo优化GPU利用率，导出标准格式权重后在部署阶段切换至vLLM等通用推理引擎67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/914600

API

curl https://kongchang.com/api/v1/knowledge/claims/914600

MCP

get_claim(id=914600)