挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

2023年10月12日,13时26分01秒 OpenAI 阅读 20 views 次

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位 2023-10-10 14:00:56 来源:量子位

从浅层对齐到深度融合

看看这张图中有几个房子?如果你回答3个,就和GPT-4V的答案一样。

但是最新开源的国产多模态模型CogVLM-17B,就能看出另有玄机。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

甚至能区分在图中完整可见的有3个和部分可见的有1个。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

CogVLM由清华和智谱AI合作开发,通讯作者为唐杰和丁铭,论文和开源代码已上传到GitHub。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

除这个单独案例之外,CogVLM-17B还在10项权威跨模态基准上取得了SOTA性能。

另外在VQAv2, OKVQA, TextVQA, COCO captioning取得第二,超越或匹配谷歌的PaLI-X 55B。

与之前的开源多模态大模型相比,可以算是14边形战士。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

雷达图中包含13个基准,最后一个TDIUC单独展现。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

CogVLM可以回答各种类型的视觉问题,比如从马斯克的阴阳怪气中推理出小扎假装去旅行了,回避约架。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

认出照片中的C罗,并回答他在2018年世界杯中有多少进球。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

带图的编程题也能给出代码了。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

甚至能完成复杂的目标检测,并打上标签,自动数据标注成了。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

从浅层对齐到深度融合

CogVLM模型包含4个基本组件

  • ViT编码器
  • MLP适配器
  • 大型预训练语言模型
  • 视觉专家模块
挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

其中,每层中都添加了可训练的视觉专家模块,以实现图像特征和文本特征的深度对齐,而不会牺牲任何NLP任务的性能。

之前主流的浅层对齐方法,如BLIP-2,图像特征和语言模型之间缺乏深度融合,导致性能不佳。

但微调语言模型的全部参数又会损害其NLP能力。

CogVLM的方法可以说是改变了视觉语言模型的训练范式,从浅层对齐转向深度融合

另外值得注意的是,CogVLM训练数据中没有专门的OCR数据,但表现出了很强的文字识别能力。

CogVLM开源并给出了在线试玩。

挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩 | 量子位

不过目前仅支持英文,后续会提供中英双语版本支持,可以持续关注。

试玩地址:
http://36.103.203.44:7861

开源及论文地址:
https://github.com/THUDM/CogVLM

— 完 —

量子位 QbitAI · 头条号签约

关注我们,第一时间获知前沿科技动态

(来源:量子位)

版权所有,未经授权不得以任何形式转载及使用,违者必究。
标签:


用户登录