OneLLM 是一種多模態對齊的統一框架，它使用通用編碼器和統一的投影模塊與 LLM(Large Language Model)對齊多模態輸入。OneLLM 還通過使用 modality tokens 實現了在不同模態之間的切換。

　　OneLLM 的核心組件包括多模態 token 的 tokenizer、通用編碼器、統一的投影模塊和大語言模型。

　　多模態 token 的 tokenizer 將輸入的各種模態信號轉換為 token 序列，以便進行后續處理和對齊。

　　通用編碼器是在 LAION(Language and AI ON)平臺上訓練的 CLIP VIT Large 模型，它具有強大的語義理解能力，可以對多模態輸入進行編碼。

　　統一的投影模塊(UPM)是將各個模態的輸入投影到 LLM 的 embedding 向量空間中，以實現多模態的對齊。UPM 由 K 個投影專家組成，每個專家包含多個 transformers 塊和大量的參數。

　　大語言模型是 OneLLM 采用的開源 LLaMA2-7B 模型，它在大規模文本數據上進行了預訓練，可以對輸入進行更深入的語義理解和生成。

　　OneLLM 支持多種不同模態數據的理解，包括圖像、音頻、視頻、點云、深度 / 法線圖、IMU 和 fMRI 大腦活動。

　　實驗證明，OneLLM 在視頻 - 文本、音頻 - 視頻 - 文本、音頻 - 文本等任務中優于現有方法，表現出了較強的零樣本能力。