BLIP BLIP-2 超详细入门解析1 BLIP / BLIP-2 是干嘛的？1.1 基础概念两者都是图文多模态大模型，核心能力：图片描述（看图说话 Image Caption）图文匹配（图和文本是否对应）视觉问答 VQA（给图+提问，AI看图回答）图文检索（用图搜文字/文字搜图）1.2 BLIP（初代）vs BLIP-2（升级版）核心区别模型架构思路特点适用场景BLIP单阶段统一图文编码器，轻量一体化小模型、推理快、训练简单简单看图说话、轻量VQABLIP-2两阶段分拆：冻结预训练视觉编码器 + 冻结大语言模型 + 中间Q-Former桥接模块更强理解、能理解复杂图文、支持大LLM复杂问答、长文本描述、复杂推理