minimind-v
👀 Train a 65M-parameter VLM from scratch in just 2h!
About this project
"大道至简" 中文 English 此项目旨在从0开始，仅用3块钱成本 + 2小时！即可训练出65M参数的超小多模态视觉语言模型MiniMind-V。 MiniMind-V最小版本体积仅为 GPT3 的约 $\frac{1}{2600}$，力求做到个人GPU也可快速推理甚至训练。 MiniMind-V是MiniMind纯语言模型的视觉能力额外拓展，同系列多模态Omni模型详见MiniMind-O。 项目同时包含了VLM大模型的极简结构、数据集清洗、Pretrain、SFT等全过程代码。 这不仅是一个开源VLM模型的最小实现，也是入门视觉语言模型的简明教程。 希望此项目能为所有人提供一个抛砖引玉的示例，一起感受创造的乐趣！推动更广泛AI社区的进步！ 注：本项目基于 Apache 2.0 协议开源，完全免费。“2 小时” 指 SFT 阶段在单张 NVIDIA 3090 上跑完 1 epoch 的实测耗时，“3 块钱” 指对应时段的 GPU 租用成本。 🔗🤖在线体验 🔗🎞️视频介绍 📌 项目介绍 “用乐高拼出一架飞机，远比坐在头等舱里飞行更让人兴奋！” 构建VLM范式的多模态大模型是否真的如想象中那样复杂？它的代码实现到底如何？ 训练过程究竟难不难？那么现在，探索它们的答案，一起感受创造的乐趣吧！ [!TIP] （截至2026-04-20）MiniMind-V 系列已完成了以下型号模型训练，最小仅需65M (0.065B)，即可具备识图和对话的能力！ 模型 参数量 Release…
Technologies
Project health
GitHub
Reviews
Built by
Maintain jingyaogong/minimind-v? Claiming verifies admin access through your GitHub account and gives you control of this listing.
