vqa

1、face0 db+id特征，但是不用训练： LAION上训练一个通用模型，训练的时候需要把人脸图片裁出来，然后提取id向量，在通过多层mlp映射到CLIP空间，然后把文本最后3个 tokens （75-77）的向量替换成向量 ......