多模态大模型训练后会变大的原因主要有以下几点：
1. 数据量增加：在训练过程中，模型需要处理大量的数据。随着训练的进行，模型需要存储和处理的数据量会逐渐增加，从而导致模型的大小变大。
2. 参数数量增加：多模态大模型通常包含多种类型的输入和输出，因此需要更多的参数来表示这些不同类型之间的关联。随着训练的进行，模型中的参数数量也会逐渐增加。
3. 网络结构复杂：多模态大模型可能包含多个子网络，每个子网络都有其特定的结构和参数。随着训练的进行，这些子网络之间可能存在复杂的交互关系，导致整个模型的网络结构变得更加复杂。
4. 正则化和优化问题：在训练多模态大模型时，可能会遇到正则化和优化问题，如梯度消失、梯度爆炸等。这些问题可能导致模型的训练过程变得不稳定，从而使得模型的大小变大。
5. 计算资源限制：训练多模态大模型需要大量的计算资源，如GPU、CPU等。随着训练的进行，计算资源的消耗会逐渐增加，从而导致模型的大小变大。
6. 数据预处理和后处理：在训练多模态大模型之前，需要进行数据预处理和后处理操作，如归一化、去噪等。这些操作可能会导致模型的大小变大。
7. 模型压缩和量化：为了提高模型的运行效率和降低内存占用，通常会对训练好的模型进行压缩和量化。这个过程可能会导致模型的大小变小，但在某些情况下，由于模型结构的复杂性，仍然可能导致模型的大小变大。
总之，多模态大模型训练后会变大的原因是多方面的，包括数据量、参数数量、网络结构、正则化和优化问题、计算资源限制、数据预处理和后处理以及模型压缩和量化等因素的综合作用。
