EVE 系列：无编码器视觉-语言大模型

想象一个场景：科研团队想要构建一个能同时理解图片和文字的 AI 助手。传统的做法需要两个模块——一个专门的"视觉编码器"把图片转成数字向量，一个"语言模型"处理文字，两者之间还要精心设计连接层。这套架构已经被 LLaVA、InstructBLIP 等项目验证有效，但结构复杂、训练成本高昂。

北京智源人工智能研究院（BAAI）和大连理工大学的研究团队提出了一个更激进的思路：能不能把视觉编码器彻底去掉，让语言模型直接"看"图片？ 这就是 EVE（Encoder-Free Vision-language model）系列诞生的起点。

图1：EVE 在多项基准测试中的性能表现

背景：从"分而治之"到"端到端"

过去几年，视觉-语言大模型（VLM）的标准范式是"编码器-解码器"架构：视觉编码器（通常是 CLIP ViT）负责从图像中提取特征，这些特征随后通过一个投影层映射到语言模型的输入空间，LLaVA 正是这一路线的代表作。这套方案虽然有效，但存在几个痛点：

• 双阶段训练复杂：视觉编码器和 LLM 往往需要分别预训练，再联合微调，流程繁琐。
• 视觉编码器成为瓶颈：视觉编码器的设计（比如分辨率、预训练数据）限制了 VLM 的上限。
• 参数效率问题：额外的编码器意味着更多的参数量和推理成本。

EVE 团队的核心洞察是：与其在编码器端修修补补，不如从零开始探索纯解码器架构——直接用轻量级的 Patch Embedding 层替代重型视觉编码器，让 LLM 自己学会从像素中建立视觉表征。这条路早在 Fuyu-8B 上有人尝试过，但 EVE 首次将性能提升到可以与主流编码器架构正面 PK 的水准。

核心技术：如何让 LLM 直接"看"图片

Patch Embedding 的轻量化设计

传统 VLM 的视觉编码器（如 CLIP ViT-L/14）参数规模通常在 300M 以上。EVE v1 采用了极简的 Patch Embedding 层，将图片切成 16×16 像素的小块（patch），每个 patch 通过一个线性投影直接映射为 token 序列。这个投影层参数量很小（约 6M），但足以保留足够的视觉信息供 LLM 学习。

值得注意的是，EVE 的架构支持任意分辨率和宽高比的图像输入，这是传统固定分辨率 ViT 做不到的。v2 版本进一步升级为 EVA-CLIP 作为 patch tokenizer，在保持轻量的同时提升了视觉 tokenizer 的表征能力。

训练策略：三阶段循序渐进

EVE 的训练分为三个阶段：

1. 预训练阶段（PT）：在约 33M（v1）/ 92M（v2）公开数据集上训练 Patch Embedding + LLM 的联合表征。数据来源包括 OpenImages、SAM、LAION、DataComp 等。
2. 指令微调阶段 1（SFT1）：使用 665K（v1）/ 7.3M（v2）高质量指令数据（如 LLaVA、Infinity-MM、LLaVA-OneVision）进行监督微调。
3. 高分辨率阶段（SFT2，仅 v1 HD）：将图像分辨率提升到 672×672，额外使用 1.2M SFT 数据，进一步缩小与编码器架构的差距。

图2：EVE 想要回答的三个核心问题

解决灾难性遗忘

v2 版本特别针对 LLM 在视觉训练过程中容易出现的灾难性遗忘问题进行了优化。通过改进的训练策略和 EVA-CLIP tokenizer，v2 在保持语言能力的同时显著提升了视觉理解水平。

技术架构：代码结构解析

EVE 仓库包含两个主要版本：EVEv1（NeurIPS 2024 Spotlight）和 EVEv2（ICCV 2025 Highlight）。核心代码在 eve/ 包中：

• eve/model/eve_arch.py — 主模型架构，定义了 Patch Embedding + LLM 的组合方式。
• eve/model/multimodal_encoder/ — EVA-CLIP encoder（v1）和 vision tokenizer（v2）。
• eve/model/language_model/ — 支持 Llama-2（v1）和 Llama-3 / Qwen2（v2）作为基础语言模型。
• eve/train/ — 训练代码，支持 DeepSpeed ZeRO 分布式训练。
• eve/eval/ — 丰富的评测代码，覆盖 VQA、GPT-Review 等多种评估协议。

安装依赖通过 pyproject.toml 管理，核心依赖包括 PyTorch、Transformers、Accelerate、PEFT、FlashAttention 等。评测代码还接入了 GPT-4 辅助评测（eval_gpt_review.py），用于生成更细致的视觉问答评估报告。

快速体验

研究者和开发者可以通过 Gradio Web UI 快速体验 EVE 的能力。EVEv1 自带 tools/app.py，启动方式为：

conda create -n eve python=3.10
conda activate eve
pip install -e .
python EVEv1/tools/app.py

运行后会自动从 HuggingFace 下载模型权重（EVE-7B-HD-v1.0 或 v2.0），即可在浏览器中上传图片并与模型对话。

图3：EVE 的核心动机——移除编码器，直接用 LLM 处理图像

性能对比：EVE 有多强？

在多项标准视觉-语言基准测试中，EVE 的表现值得关注：

• VQAv2、GQA：EVE-7B 与 Fuyu-8B 相比有显著提升，部分指标接近 LLaVA-1.5-7B。
• ScienceQA：科学问答任务上表现优异。
• TextVQA：文字识别与理解任务。
• POPE、MMBench：幻觉检测和多模态理解综合评测。

v2 版本在 v1 基础上进一步优化，在大多数任务上缩小了与模块化编码器架构（如 LLaVA）的差距，同时享有更简单的架构和更低的推理成本。

局限性与挑战

尽管 EVE 开辟了一条有前景的技术路线，它也存在明显的局限：

• 与顶级编码器架构仍有差距：在复杂视觉推理任务上，EVE 尚未全面超越 LLaVA 等主流方案。
• 对高分辨率图像的处理：虽然支持任意分辨率，但高分辨率下 token 序列长度急剧增长，推理成本随之上升。
• 依赖强大的基础 LLM：EVE 的性能上限受制于底层语言模型的能力。
• 训练成本不低：v1 在 8×A100-40G 机器上需要约 9 天完成预训练。

行业意义与未来展望

EVE 系列的发布在 VLM 领域引发了对"是否真的需要视觉编码器"的深入讨论。它证明了用极简的 patch embedding 替代重型视觉编码器是一条可行的路径，虽然尚未完全超越主流方案，但为未来更高效的视觉-语言模型提供了重要的参考。

从趋势来看，这条路线的意义更多在于探索模型架构的边界：究竟什么是最小化的视觉感知能力？语言模型能否真正"原生"理解视觉信息？这些问题 EVE 给出了阶段性答案，也启发了后续工作（如更强大的 tokenizer 设计、更高效率的训练策略）。

目前 EVE-7B-HD-v2.0 已在 HuggingFace 开源，代码基于 Apache/MIT 许可证，权重遵循 Llama 2 许可（v1）和 Llama 3 许可（v2）。