超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

只需一个简单指令

白交 发自 凹非寺

量子位 | 公众号 QbitAI

GPT-4V来做目标检测?网友实测:还没有准备好。

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

虽然检测到的类别没问题,但大多数边界框都错放了。

没关系,有人会出手!

那个抢跑GPT-4看图能力几个月的迷你GPT-4升级啦——MiniGPT-v2

而且只是一句简单指令:[grounding] describe this image in detail就实现的结果。

不仅如此,还轻松处理各类视觉任务。

圈出一个物体,提示词前面加个 [identify] 可让模型直接识别出来物体的名字。

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

当然也可以什么都不加,直接问~

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

MiniGPT-v2由来自MiniGPT-4的原班人马(KAUST沙特阿卜杜拉国王科技大学)以及Meta的五位研究员共同开发。

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

上次MiniGPT-4刚出来就引发巨大关注,一时间服务器被挤爆,如今GItHub项目已超22000+星。

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

此番升级,已经有网友开始用上了~

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

多视觉任务的通用界面

大模型作为各文本应用的通用界面,大家已经司空见惯了。受此灵感,研究团队想要建立一个可用于多种视觉任务的统一界面,比如图像描述、视觉问题解答等。

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

「如何在单一模型的条件下,使用简单多模态指令来高效完成各类任务?」成为团队需要解决的难题。

简单来说,MiniGPT-v2由三个部分组成:视觉主干、线性层和大型语言模型。

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

该模型以ViT视觉主干为基础,所有训练阶段都保持不变。从ViT中归纳出四个相邻的视觉输出标记,并通过线性层将它们投影到 LLaMA-2语言模型空间中。

团队建议在训练模型为不同任务使用独特的标识符,这样一来大模型就能轻松分辨出每个任务指令,还能提高每个任务的学习效率。

训练主要分为三个阶段:预训练——多任务训练——多模式指令调整。

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

最终,MiniGPT-v2 在许多视觉问题解答和视觉接地基准测试中,成绩都优于其他视觉语言通用模型。

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

最终这个模型可以完成多种视觉任务,比如目标对象描述、视觉定位、图像说明、视觉问题解答以及从给定的输入文本中直接解析图片对象。

超火迷你GPT-4视觉能力暴涨,GitHub两万星,华人团队出品

感兴趣的朋友,可戳下方Demo链接体验:

https://minigpt-v2.github.io/
https://huggingface.co/spaces/Vision-CAIR/MiniGPT-v2

论文链接:https://arxiv.o‍rg/abs/2310.09478

GitHub链接:https://github.com/Vision-CAIR/MiniGPT-4

参考链接:https://twitter.com/leoyerrrr

版权所有,未经授权不得以任何形式转载及使用,违者必究。