亞馬遜AIGC全家桶來(lái)襲，巨頭AI大亂戰(zhàn)都有什么殺手锏
此前，亞馬遜云科技發(fā)布多款A(yù)IGC產(chǎn)品，其中包括AI大模型服務(wù)Amazon Bedrock、人工智能計(jì)算實(shí)例Amazon EC2 Trn1n和Amazon EC2 Inf2、自研“泰坦”（Titan）AI大模型、軟件
12 月 14 日消息，據(jù)華中科技大學(xué)消息，近日，華中科技大學(xué)軟件學(xué)院白翔教授領(lǐng)銜的 VLRLab 團(tuán)隊(duì)發(fā)布了多模態(tài)大模型 ——“Monkey”。該模型號(hào)稱能夠?qū)崿F(xiàn)對(duì)世界的“觀察”，對(duì)圖片進(jìn)行深入的問(wèn)答交流和精確描述。
注：多模態(tài)大模型是一類可以同時(shí)處理和整合多種感知數(shù)據(jù)（例如文本、圖像、音頻等）的 AI 架構(gòu)。
據(jù)介紹，Monkey 模型在 18 個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)中表現(xiàn)出色，特別是在圖像描述和視覺(jué)問(wèn)答任務(wù)方面，超越了眾多現(xiàn)有知名的模型如微軟的 LLAVA、谷歌的 PALM-E、阿里的 Mplug-owl 等。此外，Monkey 在文本密集的問(wèn)答任務(wù)中顯示出“顯著的優(yōu)勢(shì)”，甚至在某些樣本上超越了業(yè)界公認(rèn)的領(lǐng)先者 ——OpenAI 的多模態(tài)大模型 GPT-4V。
Monkey 的一個(gè)顯著特點(diǎn)是“看圖說(shuō)話”能力。在詳細(xì)描述任務(wù)中，Monkey 展現(xiàn)了對(duì)圖像細(xì)節(jié)的感知能力，能夠察覺(jué)到其他多模態(tài)大模型所忽略的內(nèi)容。如對(duì)下圖進(jìn)行的文本描述中，Monkey 正確地將其識(shí)別為埃菲爾鐵塔的繪畫，并提供了構(gòu)圖和配色方案的詳細(xì)描述。而對(duì)左下角的文字，只有 Monkey 和 GPT-4V 能將其準(zhǔn)確地識(shí)別為作者名。
Monkey 號(hào)稱能夠利用現(xiàn)有的工具構(gòu)建一種多層級(jí)的描述生成方法，即通過(guò)五個(gè)步驟依次對(duì)圖片進(jìn)行整體簡(jiǎn)述、空間定位、模塊化識(shí)別、描述賦分選取和最終總結(jié)，此舉可以充分結(jié)合不同工具的特性，提升描述的準(zhǔn)確性和豐富程度。
“一個(gè)個(gè)工具就好比不同的零件，合理的排列組合才能使其發(fā)揮最大作用，”白翔教授說(shuō)，“我們團(tuán)隊(duì)從 2003 年開始便從事圖像識(shí)別研究，去年我們又從海外引進(jìn)了專攻多模態(tài)大模型的青年人才，Monkey 的最終方案是大家一起反復(fù)討論，嘗試了 10 余種方案后最終確定的。”白翔教授說(shuō)。
Monkey 的另一亮點(diǎn)是能夠處理分辨率最高 1344×896 像素的圖像，這是目前其他多模態(tài)大模型所能處理的最大尺寸的 6 倍，這意味著 Monkey 能對(duì)更大尺寸的圖片進(jìn)行更準(zhǔn)確、豐富、細(xì)致的描述甚至推理。
Monkey多模態(tài)大模型代碼目前已在 GitHub 開源，附開源地址：
https://github.com/Yuliang-Liu/Monkey
本文鏈接：http://www.www897cc.com/showinfo-45-2978-0.html華中科技大學(xué)開源多模態(tài)大模型“Monkey”，看圖說(shuō)話能力號(hào)稱超越微軟谷歌
聲明：本網(wǎng)頁(yè)內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問(wèn)題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com
上一篇： 利用瀏覽器歷史記錄訓(xùn)練設(shè)備端 AI，Mozilla 公布 MemoryCache 項(xiàng)目
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請(qǐng)聯(lián)系：2376512515@qq.com 津ICP備18001702號(hào)
津公網(wǎng)安備 12010102000574號(hào)