视觉语言模型训练方法、设备、介质和计算机程序产品

本发明公开了一种视觉语言模型训练方法、设备、介质和计算机程序产品，涉及人工智能技术领域，该方法包括：获取查询图像和对应的标签，并生成查询图像的场景图；利用视觉语言模型中的视觉提示器基于场景图在图像集中筛选与查询图像最相似的目标图像；基于目标图像和可学习参数生成可学习提示词，将可学习提示词融合至目标图像和对应的标签中；将融合后的目标图像和对应的融合后的标签、查询图像输入视觉语言模型中得到查询图像的预测结果；根据预测结果和查询图像对应的标签计算损失值，基于损失值训练视觉提示器中的参数、可学习参数得到训练完成的视觉语言模型。本发明提升了视觉语言模型在上下文学习中的性能。