从指令感知 Q-Former、26 个数据集的指令微调与零样本评测出发，拆解 NeurIPS 2023 的 InstructBLIP 如何适配多种视觉语言任务。

从 Q-Former、三种表征学习目标与两阶段预训练出发，拆解 BLIP-2 如何用冻结视觉编码器和冻结 LLM 构建多模态模型。