3. 多模态基础

在开始使用 vLLM 部署多模态模型之前，我们必须先建立对多模态数据表示与模型架构的基本认知。vLLM 之所以能够高效服务诸如 LLaVA、Qwen-VL、InternVL 等模型，是因为这些模型在架构上遵循了统一的“编码器-投影器-大语言模型”范式。本章将深入剖析文本、图像、音频、视频四种核心模态在深度学习中的数字化表示方法，并拆解多模态大模型（LMM）的通用架构组件，为后续章节中配置 vLLM 的 --limit-mm-per-prompt 参数、处理多图对话以及调试视觉编码器报错打下坚实的理论基础。

多模态大模型（LMM）通用架构与数据表示 多模态输入 文本 序列 [CLS] Hello [SEP] 图像 Patch 序列 (16x16x3) x 196 音频 Mel 频谱 (128, 3000) 模态编码器 文本嵌入层 ViT / CLIP 视觉编码器 CNN / Whisper 编码器 投影器 MLP / Q-Former 维度对齐 (D -> H) 大语言模型 Transformer Decoder 自回归生成 多模态理解 指令跟随 文本响应输出 关键设计原则： 1. 各模态独立编码，保留原始特征（文本语义、图像空间、音频时序） 2. 投影器将不同模态映射到 LLM 的语义空间（维度对齐） 3. LLM 作为“大脑”统一处理多模态信息，实现跨模态理解与生成 vLLM 支持 LLaVA / Qwen-VL InternVL / MiniCPM-V 多图 / 视频输入

上图展示了当前主流多模态大模型（LMM）的通用架构范式。无论是开源的 LLaVA 还是商业闭源模型，其核心逻辑均遵循“模态编码 → 特征投影 → 语言模型推理”的流水线。下面我们将逐一拆解各模态的表示方法及架构组件。

3.1 文本模态的表示：从 到 Embedding

文本是语言模型的原生模态，其表示方法经历了从离散符号到稠密向量的演变。在深度学习时代，文本的表示分为三个层级：Tokenization（分词）、 Embedding（词嵌入）和Positional Encoding（位置编码）。

3.1.1 核心原理：文本的离散化与向量化

文本无法直接被神经网络处理，必须转化为数值向量。当前主流方法使用 BPE（Byte Pair Encoding） 或 SentencePiece 算法将文本切分为子词单元（Subword ）。例如，单词 "unbelievable" 可能被切分为 ["un", "belie", "vable"]。每个 在词表中拥有唯一的整数 ID，随后通过查表（Embedding Lookup）映射为一个高维向量（如 4096 维）。

在 LLaVA 等模型中，文本嵌入层与 LLM 的隐藏层维度保持一致（如 hidden_size=4096），以便后续与图像特征直接拼接。位置编码则采用 RoPE（Rotary Position Embedding）或 ALiBi，用于注入 的顺序信息。

关键点：文本表示的核心是“离散符号 → 稠密向量”的映射。在 vLLM 中，文本 化由 HuggingFace Tokenizer 完成，其输出 input_ids 和 attention_mask 直接作为 LLM 的输入。

3.1.2 操作流程：文本预处理管线

  1. 原始文本清洗：去除 HTML 标签、特殊符号，统一大小写（视模型而定）。
  2. Tokenization：使用模型配套的 Tokenizer 将文本切分为 序列。
  3. ID 映射：将 转换为词表中的整数 ID。
  4. Padding 与 Truncation：将序列填充或截断至固定长度（如 2048）。
  5. Embedding 查询：通过嵌入矩阵将 ID 映射为向量序列。

3.1.3 案例拆解：LLaVA 中的文本处理

在 LLaVA-1.5 中，用户指令 "Describe this image in detail." 会被 Tokenizer 处理为约 8 个 ，每个 对应一个 4096 维的向量。这些向量与图像特征拼接后，共同输入 LLM。值得注意的是，LLaVA 在文本前添加了特殊的 <im_start> 和 <im_end> 标记，用于区分图像与文本的边界。

3.1.4 常见误区与总结

误区：认为文本 Embedding 是静态的。实际上，LLM 中的 Embedding 矩阵在训练过程中会不断更新，以适应多模态对齐任务。此外，不同模型的 Tokenizer 词表大小差异巨大（如 LLaMA 为 32000，Qwen 为 151936），在切换模型时必须使用配套的 Tokenizer。

3.2 图像模态的表示：Patch Embedding 与视觉编码器

图像是视觉语言模型（VLM）的核心输入。与文本不同，图像是连续像素值构成的矩阵，无法直接映射为离散 。当前主流方案借鉴 ViT（Vision Transformer）的思想，将图像切分为 Patch 序列，再通过视觉编码器提取特征。

3.2.1 核心原理：从像素到 Patch 序列

以 CLIP ViT-L/14 为例，输入图像被 Resize 至 336×336 像素，然后切分为 14×14 的 Patch，共得到 24×24=576 个 Patch。每个 Patch 展平后通过线性投影（Patch Embedding）映射为 1024 维向量。随后，这些 Patch 向量与位置编码相加，输入 Transformer 编码器进行特征提取。最终输出的 [CLS] 或全部 Patch 特征作为图像的全局表示。

在 LLaVA 中，视觉编码器输出的特征图（如 576×1024）会经过一个投影层（MLP），将维度从 1024 映射到 LLM 的隐藏层维度（如 4096），以便与文本 Embedding 拼接。

模型 视觉编码器 输入分辨率 Patch 大小 输出特征维度
LLaVA-1.5 CLIP ViT-L/14 336×336 14×14 576×1024
Qwen-VL OpenCLIP ViT-bigG 448×448 14×14 1024×1664
InternVL InternViT-6B 448×448 14×14 1024×4096

3.2.2 操作流程：图像预处理与特征提取

  1. 图像解码：使用 PIL 或 OpenCV 读取图像，转换为 RGB 格式。
  2. Resize 与 CenterCrop：将图像缩放至模型要求的输入尺寸（如 336×336）。
  3. 归一化：像素值除以 255，并按 ImageNet 均值和标准差进行标准化。
  4. Patch 切分：将图像切分为固定大小的 Patch，并展平。
  5. 线性投影：通过可学习的矩阵将 Patch 映射为向量。
  6. Transformer 编码：多层自注意力机制提取全局特征。

3.2.3 案例拆解：多图输入的处理策略

在 vLLM 中，当用户输入多张图像时，每张图像独立经过视觉编码器提取特征，然后按顺序拼接。例如，Qwen-VL 支持最多 128 张图像输入，每张图像生成 256 个视觉 。这些 与文本 拼接后，共同输入 LLM。vLLM 通过 --limit-mm-per-prompt 参数控制每张图像生成的 数量上限，以避免显存溢出。

经验提醒：图像分辨率越高，生成的 Patch 数量越多，视觉 数量也越多。在 vLLM 中，这直接影响 KV Cache 的显存占用。建议根据实际需求调整输入分辨率，或使用 --image--limit 参数限制 数量。

3.2.4 常见误区与总结

误区：认为所有视觉编码器都输出固定数量的 。实际上，不同模型对图像的处理策略差异很大：有的输出全部 Patch 特征（如 LLaVA），有的只输出 [CLS] （如 CLIP），还有的通过 Q-Former 压缩 数量（如 BLIP-2）。在部署时必须查阅模型卡文档，确认视觉 的数量和维度。

3.3 音频与视频模态的表示：时序特征与帧序列

音频和视频模态在表示上比图像更复杂，因为它们包含时间维度。当前多模态模型对音频和视频的处理通常采用“先编码、后融合”的策略。

3.3.1 核心原理：音频的频谱表示与视频的帧采样

音频的常见表示是 Mel 频谱图（Mel Spectrogram）。原始音频波形（如 16kHz 采样率）经过短时傅里叶变换（STFT），转换为时间-频率域的二维矩阵。例如，一段 10 秒的音频，经过 25ms 窗长、10ms 步长处理后，可得到 1000 帧 × 128 Mel 频带的频谱图。该频谱图可视为“单通道图像”，通过 CNN 或 Transformer 编码器提取特征。

视频的表示更为复杂，通常采用 帧采样 + 图像编码 的方式。例如，Video-LLaVA 从视频中均匀采样 8 帧，每帧独立通过视觉编码器提取特征，然后按时间顺序拼接。部分模型（如 Qwen-VL-Max）还引入了 3D 卷积或时序注意力机制，以捕捉帧间运动信息。

3.3.2 操作流程：音频与视频的预处理

  • 音频：重采样 → 预加重 → STFT → Mel 滤波 → 对数压缩 → 归一化。
  • 视频：抽帧（均匀采样或关键帧提取）→ 图像预处理（Resize、归一化）→ 逐帧编码 → 时序拼接。

3.3.3 案例拆解：vLLM 中的视频推理

vLLM 目前对视频的支持有限，但已支持多帧图像输入。例如，将视频按 1fps 抽帧后，将每帧作为独立图像输入模型。在 vLLM 的 兼容接口中，可以通过 image_url 列表传入多帧图像，模型会按顺序处理。这种方式虽然无法捕捉时序信息，但足以应对简单的视频理解任务。

3.3.4 常见误区与总结

误区：将音频和视频直接输入 LLM。实际上，所有多模态模型都需要先将音频/视频转换为视觉或序列特征，再通过投影器映射到 LLM 空间。vLLM 目前对音频输入的支持尚不完善，建议使用专用音频模型（如 Whisper）进行预处理。

3.4 多模态模型的基本架构：编码器-投影器-LLM

理解了各模态的表示方法后，我们来看多模态模型如何将这些异构特征统一起来。几乎所有主流 LMM 都采用 编码器-投影器-LLM 的三段式架构。

3.4.1 核心原理：各组件职责与交互

  • 模态编码器：负责将原始输入（文本、图像、音频）转换为特征向量序列。文本使用嵌入层，图像使用 ViT，音频使用 CNN 或 Transformer。
  • 投影器：负责将不同模态的特征映射到 LLM 的语义空间。常见实现包括：MLP 投影（LLaVA）、Q-Former（BLIP-2）、Cross-Attention（Flamingo）。投影器的核心目标是解决维度不匹配和语义对齐问题。
  • LLM：作为“大脑”，接收拼接后的多模态特征序列，进行自回归生成。LLM 的参数通常保持冻结（或 LoRA 微调），以保留其强大的语言理解和推理能力。

3.4.2 判断方法：如何快速识别模型架构

在部署模型前，可通过以下步骤快速判断其架构类型：

  1. 查看模型卡中的 config.json，确认是否存在 vision_config 和 projector_config 字段。
  2. 检查模型权重文件中是否包含 vision_model、multi_modal_projector 等前缀。
  3. 运行模型前向传播，打印各模块输出的形状，确认特征维度是否匹配。

3.4.3 案例拆解：LLaVA-1.5 的架构参数

组件 具体实现 输出维度 参数量
视觉编码器 CLIP ViT-L/14 576×1024 304M
投影器 2 层 MLP（GELU） 576×4096 8M
LLM Vicuna-7B 序列×4096 6.7B

在 vLLM 中，这些组件被封装为统一的 LLM 类。当调用 llm.generate() 时，vLLM 会自动处理图像预处理、特征提取和拼接，用户无需关心底层细节。

3.4.4 常见误区与总结

误区：认为所有多模态模型都支持任意模态组合。实际上，大多数模型仅支持“图像+文本”或“视频+文本”，对音频的支持有限。在 vLLM 中，如果传入不支持的模态，会抛出 ValueError。务必查阅模型文档确认支持的模态类型。
总结复盘：本章的核心知识点可归纳为三点：
1. 模态表示：文本用 Embedding，图像用 Patch Embedding，音频用 Mel 频谱，视频用帧序列。
2. 架构范式：编码器负责特征提取，投影器负责维度对齐，LLM 负责统一推理。
3. vLLM 实践：vLLM 封装了多模态模型的预处理和推理流程，但用户仍需理解各模态的 数量与显存占用关系，以便合理配置 --limit-mm-per-prompt 参数。
← 上一章 📖 返回目录 下一章 →