目录
一、训练细节
二、端到端MLRM细节
三、Qwen-VL-Chat的显著性分数分析
传统MLLMs与MLRMs的适配问题
四、零样本多模态表示性能
五、长查询 与 目标对 模型性能评估
上一篇文章：推荐大模型系列-NoteLLM-2: Multimodal Large Representation Models for Recommendation（二）
一、训练细节
所有基于大语言模型（LLM）的模型，其详细训练超参数均列于表8中。此外，训练过程中采用DeepSpeed [37]及零冗余优化器（ZeRO）[38]的第三阶段技术。
二、端到端MLRM细节
表9提供了端到端MLRM的详细信息。同时，为便于理解Tomato模型的特性，此处详述其持续预训练细节。Tomato基于LLaMA 2 [47]架构，原模型仅支持英文。由于目标平台面向中文市场，需增强LLaMA 2的中文理解能力，因此在持续预训练中进行了以下改进：
- 词表扩展：将原始词表从32,000个词元扩展至49,216个，新增的17,216个词元主要为中文词汇。
- 预训练数据：数据来源包含三部分：中文语料、英文语料及平台专有数据。中文语料采用开源数据集如万卷[18]和悟道[53]，总量约2T词元；为保持英文能力，引入RedPajama[9]数据；此外，整合了平台内高质量笔记数据30B词元，以更好地学习平台数据特性。
Tomato在提升中文理解能力的同时，英文能力与原始LLaMA 2模型相当。需说明的是，预训练细节与本文贡献无关，本文方法基于持续预训练后的模型实现。这也体现了NoteLLM-2方法的优势：在微调前可针对不同模态对基座模型进行个性化增强。
三、Qwen-VL-Chat的显著性分数分析
在Qwen-VL-Chat中观察到独特的显著性分数模式（如图6所示）。该模型的主要信息流为文本形式，所有层的数值均高于0.8。这一现象源于大量视觉嵌入（Qwen-VL-Chat中为256维）输入到大型语言模型（LLMs），导致图像信息流的平均显著性降低。
传统MLLMs与MLRMs的适配问题
上述结果表明，传统多模态大语言模型（MLLMs）无法直接适用于多模态大规模表征模型（MLRMs）。为适配MLRMs，需通过增加信息流密度的方式调整MLLMs的结构设计。
四、零样本多模态表示性能
本节以零样本方式探索多模态大语言模型（MLLMs）在多模态I2I推荐任务中的表示能力。实验选取了四种主流MLLMs：BLIP-2 [27]、LLaVA-1.5 [30]、Qwen-VL [3]和Qwen-VL-Chat [3]，同时对比了基线方法BM25 [39]、Qwen-Chat [2]以及基于LLaMA 2 [47]持续预训练的纯文本模型Tomato（该模型缺乏视觉感知能力，但使用了平台数据训练）。模型细节见表7。为分析MLLMs对不同模态的表示能力，测试时分别独立输入图像和文本。
实验结果见表10，主要发现如下：现有MLLMs的零样本表示性能均逊于BM25，表明尽管MLLMs具备优秀的视觉理解能力，但其零样本多模态表示能力仍有不足，原因在于MLLMs采用语言建模损失训练，与表示任务目标不匹配，因此需要额外训练以实现任务对齐。
多数情况下，MLLMs对多模态输入的表示效果优于单模态，证明其能有效提取并融合多模态信息。同时，大多数MLLMs对文本信息的表示能力优于图像信息，这与模型参数主要源于纯文本LLMs有关，且实验场景中文本笔记比图像更具区分性。
值得注意的是，纯文本LLMs在不接收任何图像输入时，性能仍可与MLLMs相当。
五、长查询 与 目标对 模型性能评估
为全面评估方法的有效性，针对长查询与长目标对进行了测试。长文本定义为超过165个标记（约占测试文本的10%）的样本。测试数据集包含2,228个长查询对和2,177个长目标对。结果如表11所示。
由于大语言模型（LLMs）出色的长上下文理解能力，长文本对的性能显著优于整体数据，因长文本提供了更丰富的信息。此外，相比基础方法，所提方法在长文本对上进一步提升了效果，这表明增强对视觉信息的关注对长文本处理同样重要。
好啦，关于notellm-2这篇文章已经基本完成讲解，之后会已这篇多模态大模型展开，去调研相关paper，并进行路径整理，敬请期待～
: org.example.dem)
