VLM

Vision-Language Model 微调在 MinT 上 Coming Soon。MinT 服务端的 VLM 基础模型正在上线；本页描述的客户端 SDK 路径会在 mint.macaron.xin 和 mint-cn.macaron.xin 提供 VLM 模型后启用。

如需登记需求，发邮件到 sales@mindlab.ltd 或在 Schedule a Demo 中注明 VLM。

本页未来覆盖的内容

VLM 上线后，本页和其它算法页同样按四段结构展开：

• 配置 —— mint.ServiceClient、面向 VLM 基础模型的 create_lora_training_client、image processor 的选择、image token 预算。
• Prompting Guide —— 在 chat-template 消息中放置 <image> 占位符；多图与分辨率的注意点。
• 输出格式 —— assistant 回复在以图像为根据时如何被解析；视觉问答里的 bounding-box / region-of-interest 抽取。
• 全部参数 —— VLM 特有的旋钮（vision encoder 冻结、image patch size、最大 image token 数）叠加在标准 SFT / RL 参数之上。

相关阅读

VLM 上线前，最接近的已发布部分：

• Concepts → Rendering —— 介绍 VLM 训练复用的 renderer 抽象。
• VLA —— vision-language-action 具身训练通过 OpenPI 集成已经上线。