清华开源图文对话大模型！表情包解读有一手，奇怪的benchmark增加了

丰色 萧箫 发自 凹非寺

量子位 | 公众号 QbitAI

什么，最懂表情包的中文开源大模型出现了？？！

就在最近，来自清华的一个叫VisualGLM-6B的大模型在网上传开了来，起因是网友们发现，它连表情包似乎都能解读！

像这个腊肠犬版蒙娜丽莎，它不仅准确理解了这是腊肠犬与蒙娜丽莎的“合体照”，还点出了这只是一幅虚构作品：

又像是这个正在出租车后熨衣斗的男子，它也一眼看出了“不对劲”的地方：

值得一提的是，在此前GPT-4刚发布时，网友们也同样将它用来测了测常识理解能力：

就如同弱智吧问题是大模型语言理解能力的benchmark一样，表情包简直就是大模型图片理解能力的benchmark。

要是它真能理解网友们奇奇怪怪的表情包，那AI简直没有什么不能get到的信息点了啊！

我们赶紧测试了一波，看看它究竟效果如何。

gif也能看懂，但解读太过正经

目前，VisualGLM-6B已经推出了网页端试玩版。

只需要在Hugging Face的试玩界面上传图片，再与它进行“对话”，它就能生成理解图片的结果：

先试试初级难度的表情包。

官方给出了几个问题示例，例如“描述一下这个场景”、“这是什么东西”、“这张图片描述了什么”，我们就先尝试一下这几个问题。

输入一只正在听歌的小猫，让VisualGLM-6B描述一下表情包中的场景：

还不错，VisualGLM-6B准确get了小猫享受音乐或使用电子设备这个过程！

再输入一个章鱼哥表情包，问它“这是什么东西”：

也没问题。看起来能拿给爸妈用了（手动狗头）。

再试试用吃饭小狗，让VisualGLM-6B解读一下这张图片描述了什么：

看起来初级表情包都没什么问题，是时候加大力度了。

上传一个gif试试？第一眼似乎没有问题：

但再换一个gif试试就会发现，它似乎只理解了第一帧图像，猜测是不是“主角在试图抓住或捕捉它”，但实际上只是在扔钞票：

与之前的一些图片理解AI不同，VisualGLM-6B在解读时会着重介绍表情包角色中的面部表情，例如“它看起来不舒服或者紧张”：

BUT！当我们再上一点难度，给表情包配上文字之后，它就无法理解表情包的含义了：

尤其是这种靠配文传达表情包精髓的，VisualGLM-6B就会开始展现“瞎解读”的功底：

如果图像拼接太多，它还会出现奇怪的bug，例如把摸鱼狗头人认成大鲨鱼：

而且，它在描述表情包的时候整体比较正经，不会解读图像以外的“用意”。

例如，有网友测试了一下经典的“熊猫人显卡”表情包：

以及周星驰的经典“我全都要”表情包：

显然VisualGLM-6B能大致理解图片的场景，但对于表情包的配文就无法理解了。

总结一下，对于包含经典作品角色的表情包，或是经过文字加工前的“原始”表情包，VisualGLM-6B能说出这个角色的名字，或是描述出其中的场景：

虽然也可以让它描述情绪，不过AI看出来的情绪，可能和最终表情包表达的情绪不太一样：

但一旦表情包加上了文字、或是被P进了新场景，VisualGLM-6B就会因为无法解读图片中文字的意思，而变得“看不懂梗”了。

△有时候还会解读错乱，例如狗看成猪

那么，拥有一部分解读表情包能力的VisualGLM-6B，究竟是什么来头？

多模态对话VisualGLM-6B，最低只需8.7G显存

事实上，VisualGLM-6B并非专门为“表情包解读”而开发。

它是由智谱AI和清华大学KEG实验室打造的开源多模态对话模型，主要用于中文图像理解，解读表情包可以说只是它被开发出来的一个“副业”。

它的正经用法，一般是酱婶的：

提起这个团队，大家更熟悉的可能是ChatGLM-6B大模型。

后者此前我们有作介绍：

它是“清华系ChatGPT”的一员，2022年8月发布，共62亿规模参数，支持中英双语对话。

上线4天就突破6k star，目前已经近25k。

据介绍，VisualGLM-6B正是在ChatGLM-6B的基础上完成：

ChatGLM-6B负责它的语言模型部分，图像部分则通过训练BLIP2-Qformer构建起视觉模型与语言模型的“桥梁”。

因此，VisualGLM-6B整体模型共78亿参数。

具体而言，VisualGLM-6B的预训练在中英文权重相同的情况下，在30M高质量中文图文对和300M经过筛选的英文图文对上完成（来自CogView数据集）。

这一训练方法可以将视觉信息对齐到ChatGLM的语义空间。

微调阶段，VisualGLM-6B又在长视觉问答数据上训练，以生成符合人类偏好的答案。

与此同时，VisualGLM-6B由SwissArmyTransformer (简称“sat” ) 库训练，这是一个支持Transformer灵活修改、训练的工具库，支持Lora、P-tuning等参数高效微调方法。

最终，本项目既提供了HuggingFace接口，也提供了基于sat的接口。

要说VisualGLM-6B最大的特点，便是结合模型量化技术，可以让大家在消费级的显卡上进行本地部署，INT4量化级别下最低只需8.7G显存。

具体包含三种部署工具：

一是命令行Demo。执行命令：

python cli_demo.py

然后程序便自动下载sat模型，大家就可以在命令行中进行交互式的对话了。

输入指示并回车即可生成回复，输入clear可以清空对话历史，输入stop终止程序。

二是基于Gradio的网页版Demo。

需要先安装Gradio：pip install gradio，然后下载并进入本仓库运行web_demo.py，最后在浏览器中打开系统输出的地址即可使用。

三是API部署。需要安装额外的依赖：pip install fastapi uvicorn，然后运行仓库中的api.py。

更多细节和推理、量化部分的方法就不赘述了，可戳参考链接[1]查看官方介绍。

需要注意的是，如官方所述，VisualGLM-6B正处于V1版本，视觉和语言模型的参数、计算量都较小，因此会出现相当多的已知局限性，像图像描述事实性/模型幻觉问题、图像细节信息捕捉不足，以及一些来自语言模型的局限性等等。

就如下面这张测试，VisualGLM-6B描述得还挺到位的，能看出是阿根廷和世界杯，但别被蒙了：图上并没有阿圭罗和迪马利亚这两位球星。

因此，官方也称将在后续继续针对以上问题进行一一改进。

不过，拥有图片解读能力的大模型，也并不只有VisualGLM-6B一个。

目前来看，表现比较好的“表情包杀手”还是GPT-4，从网友测试来看，它已经能根据表情包中的文字解读meme：

开源大模型方面，基于Vicuna-13B开发的MiniGPT-4也能解读图片，同样只需要一张单卡RTX3090就能搞定：

不过在这批大模型中，VisualGLM-6B强调的则是“中文开源”特点，换而言之，它在中文描述上可能会比其他大模型更准确一些。

你试玩过这些“表情包解读AI”了吗？感觉谁更能get人类思想精华？（手动狗头）

VisualGLM-6B试玩地址：
https://huggingface.co/spaces/lykeven/visualglm-6b

参考链接：
[1]https://mp.weixin.qq.com/s/SzS6Gx8ZjtBXXQ7cs8-zLQ
[2]https://twitter.com/thukeg/status/1659079789599248386