EVE

去掉视觉编码器，直接用像素训练多模态模型，更简单高效。

EVE是北京智源人工智能研究院（BAAI）推出的免编码器视觉语言模型系列。传统视觉语言模型通常依赖预训练的视觉编码器（如ViT）来提取图像特征，而EVE直接以像素级patch作为输入，通过统一的Transformer架构同时处理视觉和文本信息，简化了模型结构，降低了计算开销。该系列包含EVE-1.6B、EVE-7B等不同规模版本，在多项视觉问答、图像描述等基准测试中表现出色，尤其在小规模模型上展现了较强的性能。EVE解决了传统视觉语言模型中视觉编码器与语言模型之间特征对齐困难、训练效率低的问题，核心能力包括高效的端到端训练、良好的可扩展性以及跨模态理解。项目代码开源，支持基于HuggingFace Transformers快速部署和微调。