在開源社區中把 GPT-4+Dall?E 3 能?整合起來的模型該有多強?
香港中文大學終身教授賈佳亞團隊提出多模態模型 Mini-Gemini:
更高清圖像的精確理解、更高質量的訓練數據、更強的圖像解析推理能力,還能結合圖像推理和生成,堪稱王炸。
Mini-Gemini 還提供了 2B 小杯到 34B 的超大杯,最強模型在多個指標上相比谷歌的 Gemini Pro 甚至 GPT-4V 都不遑多讓。
目前,Mini-Gemini 從代碼、模型到數據已全部開源,登上了 PaperWithCode 熱榜。
Mini-Gemini 線上 Demo 也已發布,超會玩梗,一起來體驗下!
Mini-Gemini Demo 放出后受到廣大網友關注,一番“品嘗”后,他們認為 Mini-Gemini 跟商業模型差不了多少。
目前,絕大多數多模態模型僅支持低分辨率圖像輸入和文字輸出,而在實際場景中,許多任務都需要對高清圖像進行解析,并用圖像的形式進行展現。
如下圖所示,Mini-Gemini 不僅能夠根據圖片對做面包的過程進行手把手教學,也能夠準確將不同電腦品種根據圖片中的各種參數進行對比。
有網友開玩笑說,這下媽媽不用擔心我獨自生活了。
更重要的是,Mini-Gemini 在保留超強的圖像理解和推理能力的同時,還解鎖了圖像的生成能力,就如同 ChatGPT 和生成模型的結合。
下面,讓我們通過幾個例子來更直觀地感受這種能力:
還記得 Google Gemini 的官方演示視頻么?當用戶給出兩個毛線團并問出能用它們做什么時,Gemini 可以識別出圖片內容并給出相應的建議。
當我們把相似的輸入給到 Mini-Gemini,它會怎么回答呢?
可以發現,Mini-Gemini 也可以識別出圖片中的元素,并且合理地建議,同時生成了一只對應的毛線小熊。
通過一些抽象的多模態指令來讓模型給出推理,并生成合適的圖片,這個操作就很像是 ChatGPT 和 DALL?E 3 的聯動了。
接下來讓 Mini-Gemini 做自己最擅長的推理和圖片理解,看看它表現:
比如理解圖片中的矛盾點并舉一反三 —— 輸入冰川中的仙人掌,它會解釋其中的矛盾并生成一張熱帶雨林中北極熊的圖片:
圖片呈現了仙人掌的典型棲息地與冰的存在之間的視覺矛盾,因為在沙漠環境中自然不會出現冰。這種矛盾的類似例子可能是一只北極熊出現在熱帶雨林中,因為北極熊適應于寒冷、覆蓋著冰的環境,在炎熱潮濕的氣候中無法生存。這種并置創造了一個引人注目且超現實的視覺效果,挑戰觀眾的期待,并可能引發人們對氣候變化、環境適應或不同生態系統融合的思考。
同時,正如 ChatGPT+DALL?E 3 的夢幻結合一樣,Mini-Gemini 的“推理生成”功能還可以在多輪對話中通過簡單指令生成連環小故事。
比方說,讓它根據用戶輸入講一個貴族小老鼠的故事,Mini-Gemini 會根據前文的文字生成結果和用戶輸入進行推理,在保持一致性的情況下對圖片進行修改,使其更符合用戶的要求。
當然,Mini-Gemini 對于多模態模型的傳統技能圖表理解也不在話下。比方讓模型理解輸入曲線圖的數學意義(高斯分布),并讓它使用代碼復現這張圖,通過運行生成的代碼,模型可以高質量地還原曲線圖,節省了復現的時間。
又或者讓 Mini-Gemini 理解梗圖,通過其強大的 OCR 和推理能力,也可以準確指出笑點。
在另一個案例中,Mini-Gemini 除了理解梗圖本身,甚至推測了制作者的深層意圖。
高清復雜的多圖表理解和歸納也是小菜一碟,Mini-Gemini 直接秒變打工人效率提升的超級外掛。
那么問題來了,Mini-Gemini 是怎樣做到這種驚艷的效果呢?
核心在于三點:
(1) 用于高清圖像的雙編碼器機制
(2) 更高質量的數據
(3) 訓練階段結合生成模型數據拓展
大道至簡,Mini-Gemini 的整體思路并不復雜。其中的 Gemini(雙子座) 表達的是使用視覺雙分支的信息挖掘(Mining-Info in Gemini)解決高清圖像理解問題。
詳細來說,Mini-Gemini 將傳統所使用的 ViT 當做低分辨率的 Query,而使用卷積網絡(ConvNet)將高分辨率的圖像編碼成 Key 和 Value。
使用 Transformer 中常用的 Attention 機制,來挖掘每個低分辨率 Query 所對應的高分辨率區域。從而在保持最終視覺 Token 數目不變的情況下去提升對高清圖像的響應,保證了在大語言模型(LLM)中對于高清圖像的高效編碼。
值得一提的是,由于高分辨率分支卷積網絡的使用,可以根據需要對圖像所需的分辨率自適應調整。對于圖像的生成部分,Mini-Gemini 借助了 SDXL,使用 LLM 推理后所生成的文本鏈接兩個模型,類似于 DALL?E 3 的流程。
對于數據,Mini-Gemini 進一步收集并優化了訓練數據的質量,并加入了跟生成模型結合的文本數據進行訓練。在僅使用 2-3M 數據的情況下,實現了對圖像理解、推理和生成的統一流程。
Mini-Gemini 在各種 Zero-shot 的榜單上毫不遜色于各種大廠用大量數據訓練出來的模型。
量化指標:
可以看出,Mini-Gemini 提供了多種普通和高清版本的模型,并且覆蓋了 2B 的小杯到 34B 的超大杯,各個版本都取得了相似參數量下領先的效果,在許多指標上甚至超越 Gemini Pro 和 GPT-4V。
在線可玩:
值得一提的是,Mini-Gemini 的圖像理解和生成能力已經出了 Demo,可以在線跟自定義圖像對話的那種。
操作也極其簡單,直接跟輸入圖像或文字進行對話即可,歡迎來撩!
參考
Github 地址:https://github.com/dvlab-research/MiniGemini
Demo 地址:http://103.170.5.190:7860/
論文地址:https://arxiv.org/pdf/2403.18814.pdf
模型地址:https://huggingface.co/collections/YanweiLi/mini-gemini-6603c50b9b43d044171d0854
數據地址:https://huggingface.co/collections/YanweiLi/mini-gemini-data-660463ea895a01d8f367624e
本文來自微信公眾號:量子位 (ID:QbitAI),作者:允中
本文鏈接:http://www.www897cc.com/showinfo-45-4061-0.html融合 ChatGPT+DALL?E 3,賈佳亞團隊新作開源暢玩:識圖推理生圖一站解決
聲明:本網頁內容旨在傳播知識,若有侵權等問題請及時與本網聯系,我們將在第一時間刪除處理。郵件:2376512515@qq.com