---
language:
  - zh
tags:
  - qwen2.5
  - vision-language-model
  - dinov2
  - nsd
  - multimodal
library_name: transformers
license: mit
---

# Qwen_2.5_1.5B_Instruct_Vision

基于 DINOv2 与 NSD (Normalized State Decomposition) 的视觉语言模型，通过超球面归一化实现视觉-语言特征对齐。

## 方法

### NSD 定义

给定向量 v ∈ R^D，NSD 将其投影到单位超球面 S^{D-1}：

$$
\text{NSD}(\mathbf{v}) = \frac{\mathbf{v}}{\|\mathbf{v}\|_2}
$$

归一化后，内积等价于余弦相似度：

$$
\langle \text{NSD}(\mathbf{v}_1), \text{NSD}(\mathbf{v}_2) \rangle = \cos(\theta)
$$

### 视觉-语言对齐

DINOv2 输出 h ∈ R^{384}，经投影层映射到 Qwen 的 1536 维嵌入空间，再通过 NSD 归一化到 S^{1535}：

$$
\mathbf{z} = \text{NSD}\left(W_2 \cdot \text{ReLU}(W_1 \mathbf{h} + \mathbf{b}_1) + \mathbf{b}_2\right)
$$

其中 W_1 ∈ R^{768×384}, W_2 ∈ R^{1536×768} 为投影层参数。

Qwen 词表嵌入 E ∈ R^{V×1536} 同样归一化：

$$
\hat{\mathbf{E}} = \text{NSD}(\mathbf{E})
$$

每个视觉 token 在词表中检索最近邻：

$$
t^* = \arg\max_{t \in \mathcal{V}} \ \mathbf{z}^\top \hat{\mathbf{e}}_t
$$

### 训练

投影层与 DINOv2 后 4 层使用 InfoNCE 对比损失微调：

$$
\mathcal{L} = -\log \frac{\exp(\mathbf{z}_i^\top \mathbf{y}_i / \tau)}{\sum_{j=1}^{B} \exp(\mathbf{z}_i^\top \mathbf{y}_j / \tau)}
$$

其中 y_i 为类别 i 的 Qwen 嵌入，τ = 0.07 为温度系数。

## 架构

| 组件 | 说明 | 参数量 |
|------|------|--------|
| DINOv2 ViT-S/14 | 视觉编码器 (微调后 4 层) | 22M |
| MLP Projection | 384 → 768 → 1536 | 1.18M |
| Qwen2.5-1.5B-Instruct | 语言模型 (冻结) | 1543.7M |

## 性能

在 tiny-imagenet-200 验证集 (10000 张) 上的视觉 token 准确率：

| Top-K | 命中率 |
|-------|--------|
| Top-1 | 72.43% |
| Top-3 | 80.02% |
| Top-5 | 81.18% |
| Top-10 | 81.67% |

## 使用

```python
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image

# 加载模型
model = AutoModelForCausalLM.from_pretrained(
    "LinkRur/Qwen_2.5_1.5B_Instruct_Vision",  # 替换为你的模型名
    trust_remote_code=True,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(
    "LinkRur/Qwen_2.5_1.5B_Instruct_Vision",  # 替换为你的模型名
    trust_remote_code=True
)

# 推理
image = Image.open("photo.jpg").convert("RGB")
vis_desc, response = model.generate_with_image(image, "描述这张图片", tokenizer)
print(response)
```

## License
MIT