图4展示了主流视觉-语言基础模型的参数规模与算力需求的对比情况，列出了不同的主流视觉-语言基础模型，包括CLIP、BLIP-2、LLaVA-7B、Qwen-VL、LLaVA-13B、InternVL、CogVLM、LLaVA-34B、GPT-4V、Gemini。