多模态：文本、音频、视频、图像等多形态的展现形式。
目前部门内业务要求领域大模型需要是多模态——支持音频/文本。从个人思考的角度来审视下，审视下多模态大模型的实现方式。
首先就要区分输入与输出，即输入的模态与输出的模态。从目前来看，模型的输出大多都是文本，模型的输入一般是图片/文本；但少数的大模型比如QWen、讯飞星火等支持语音的输入。
输入
对于输入来说，最需要考虑的就是Embedding。
不管是哪种大模型，其最终的输入都是张量数字的形式；其模型的结构都是神经网络模型，而神经网络模型计算的单位是张量。这中间就需要一个转换过程，也就是最常用听到看到的Embedding。
Embedding的作用是巨大的，不论是在深度学习领域还是推荐系统领域、搜索引擎领域等等；而且也衍生出向量数据库的概念；存的就是这些Embedding后的张量。
多模态基座模型
即原生基座模型，比如GLM、LlaMa2、QWen、文心一言等基座模型支持多模态的输入输出，从个人调研来看，GLM、文心一言对这方面的支持比较弱，仅支持文本/图像；LlaMa2有开源的实现支持文本/图像/音视频；QWen是最全的，阿里对其支持很到位，而且在魔塔社区，阿里开源了很多的音视频模型，还是蛮强大覆盖很全的。
以Llama2实现为例，官方地址：Video-LLaMA；其架构图如下：
输入的Embedding化都在模型内部已处理完毕，我们无需考虑。
魔塔社区/HuggingFace上，已经开源了很多高质量的多模态模型，截个图展示下：
文本化处理
使用开源/商务组件处理输入的内容，将其文本化，再输入到模型中；然后再经历输入部分的流程。
但对于这类的处理来说，需要考虑的问题还是比较多：
- 组件转换文本的准确性
- 组件转换的损失
- 大模型中Embedding组件将输入文本Embedding化时的损失
第一点不用叙述；
第二点，如果组件的处理不到位，遗漏了一些语气词或是某些情感词之类的，对输出文本的内容表达、语义表达将产生一定的损失。
第三点，如果转换后的文本语义与文本内容不对应，比如同音词或是生僻字的情况下，导致Embedding化时产生一定的损失。
Embedding化处理
利用某种Embedding模型，将输入的内容直接Embedding化，生成张量后，直接丢进大模型中。
在这里需要考虑两点：
- 大模型支持Embedding的输入
- Embedding组件与大模型内置的Embedding组件要一致
大模型训练时，有自己的内置的Embedding组件，如果输入时的Embedding组件产生的张量与训练时的Embedding张量不一致，这就是两种不同的Embedding组件导致的问题，其最终的效果将会大打折扣。
输出
模型的输出虽然最终也是经过处理后，生成文本；但这就已经很满足绝大多数的需求。
而对于很多场景下，比如我们的场景需要再制定角色语音包，也是很好处理的。这个过程其实就是语音合成的过程。比如，开车导航时的语音包，有不同的人物声音，这都是语音合成处理的。
总结
最终来看，第一个方案肯定是最合适的；但如果对于选型的大模型不支持多模态的情况下，考虑开源实现或是第二张方案，但要综合调研其带来的影响，并不是简单的转文本就行。第三种，目前我没有找到合适的Embedding模型支持多模态，后续继续探讨挖掘下。
首发于个人公众号
