为何average pooling比Q - former结构更好？

BLIP - 2采用Q - Former是由于将Image Encoder和LLM都冻结了，仅有Q - Former的参数会被训练更新，这种设计是合理的。而若使用MLP，就没有充足的训练参数。要是MLLM存在其他部分（像encoder或者LLM）参与训练更新，那么使用MLP就是合理的。