BlackVIP

黑盒模型也能迁移学习，用视觉提示搞定下游任务

BlackVIP 是 CVPR 2023 论文的官方实现，专注于黑盒视觉提示（Black-Box Visual Prompting）技术。它解决的是在无法访问模型内部参数（即黑盒模型）的情况下，如何高效地实现视觉任务的迁移学习。其核心能力是仅通过输入端的可学习提示（prompt）来适配预训练模型，无需修改或微调模型权重。BlackVIP 引入了鲁棒的提示设计，能在黑盒场景下提升下游任务的性能，并支持多种视觉任务。该实现基于 Python，提供了完整的训练和评估流程，适合研究黑盒迁移学习、视觉提示学习以及模型鲁棒性提升的开发者使用。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 107

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队changdaeoh

所属国家

官网地址

GitHubhttps://github.com/changdaeoh/BlackVIP

定价模式free

价格说明开源项目，代码公开，可自行部署使用，无付费版本。

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型black-box-optimization,foundation-models,parameter-efficient-tuning,prompt-tuning,transfer-learning,visual-prompting

GitHub 星标★ 107

30天Star增速

HF 下载量

上线时间2023-02-27 00:00:00

最近更新2026-07-10 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数7

使用教程

核心亮点

首个针对黑盒视觉提示迁移学习的官方实现，方法新颖
无需访问模型内部参数，仅通过输入提示适配，兼容性强
代码结构清晰，基于 PyTorch，便于二次开发和实验复现

不足之处

项目处于早期阶段，文档和社区支持相对有限
依赖特定的黑盒模型接口，实际应用部署可能受限

适用场景

研究黑盒场景下的视觉模型迁移学习
在无法微调大模型时，用提示学习提升下游任务性能
探索视觉提示的鲁棒性，用于对抗性环境或数据分布偏移

替代项目

Visual Prompt Tuning (VPT)、PromptSRC、CoOp (Context Optimization)

项目介绍

BlackVIP 是计算机视觉领域的开源项目，由 changdaeoh 开发，2023 年首次发布。

它收录于计算机视觉分类，该分类目前共有 447 个项目，GitHub 星标数为 107。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-07-10。代码公开，可自行部署使用，无付费版本。

它主要面向的使用场景是：研究黑盒场景下的视觉模型迁移学习。同类可对比的替代方案包括 Visual Prompt Tuning (VPT)、PromptSRC、CoOp (Context Optimization)。

上一篇：NAF

下一篇：VideoGLaMM