挑战GPT-4V!清华唐杰&智谱开源多模态14边形战士,在线可玩
从浅层对齐到深度融合
梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
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。

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。

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。

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。

雷达图中包含13个基准,最后一个TDIUC单独展现。

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。

认出照片中的C罗,并回答他在2018年世界杯中有多少进球。

带图的编程题也能给出代码了。

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。

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

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。

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
- 刚刚,OpenAI找到控制AI善恶的开关2025-06-19
- 首创像素空间推理,7B模型领先GPT-4o,让VLM能像人类一样「眼脑并用」2025-06-09
- 打破跨模态干扰,快手东北大学联合提出统一多模态框架,横扫多模态检索基准2025-06-09
- Qwen&清华团队颠覆常识:大模型强化学习仅用20%关键token,比用全部token训练还好2025-06-06