集成ChatGPT+DALLE3,贾佳亚团队新作Mini-Gemini上线,识图生图又快又炸

2024-04-15 14:10:31     来源:

更高清图像的精确理解、更高质量的训练数据、更强的图像解析推理能力,还能结合图像推理和生成,香港中文大学终身教授贾佳亚团队提出的这款多模态模型Mini-Gemini堪称绝绝子,相当于开源社区的GPT4+DALLE3的王炸组合!

Mini-Gemini还提供了2B小杯到34B的超大杯,最强模型在多个指标上相比Google Gemini Pro甚至GPT-4V都不遑多让。目前,Mini-Gemini从代码、模型、到数据已全部开源,登上了PaperWithCode热榜。

Mini-Gemini线上Demo也已发布,超会玩梗,一起来体验下!

Mini-Gemini Demo放出后受到广大网友关注,一番“品尝”后,他们认为Mini-Gemini跟商业模型差不了多少!

目前,绝大多数多模态模型仅支持低分辨率图像输入和文字输出,而在实际场景中,许多任务都需要对高清图像进行解析,并用图像的形式进行展现。

如上图所示,Mini-Gemini不仅能够根据图片对做面包的过程进行手把手教学,也能够准确将不同电脑品种根据图片中的各种参数进行对比。网友表示:妈妈再也不用担心我的生活了。

更重要的是,Mini-Gemini在保留超强的图像理解和推理能力的同时,还解锁了图像的生成能力,就如同ChatGPT和生成模型的结合。

下面,让我们通过几个例子来更直观地感受这种能力:

案例分析:

还记得Google Gemini的官方演示视频么?当用户给出两个毛线团并问出能用它们做什么时,Gemini可以识别出图片内容并给出相应的建议。

当我们把相似的输入给到Mini-Gemini,它会怎么回答呢?

可以发现,Mini-Gemini也可以识别出图片中的元素,并且合理地建议,同时生成了一只对应的毛线小熊。

通过一些抽象的多模态指令来让模型给出推理,并生成合适的图片,这个操作就很像是ChatGPT和DALLE3的联动了!

接下来让Mini-Gemini做自己最擅长的推理和图片理解,看看它表现:比如理解图片中的矛盾点并举一反三——输入冰川中的仙人掌,它会解释其中的矛盾并生成一张热带雨林中北极熊的图片:

图片呈现了仙人掌的典型栖息地与冰的存在之间的视觉矛盾,因为在沙漠环境中自然不会出现冰。这种矛盾的类似例子可能是一只北极熊出现在热带雨林中,因为北极熊适应于寒冷、覆盖着冰的环境,在炎热潮湿的气候中无法生存。这种并置创造了一个引人注目且超现实的视觉效果,挑战观众的期待,并可能引发人们对气候变化、环境适应或不同生态系统融合的思考。

同时,正如ChatGPT+DALLE3的梦幻结合一样,Mini-Gemini的“推理生成”功能还可以在多轮对话中通过简单指令生成连环小故事。

比方说,让它根据用户输入讲一个贵族小老鼠的故事。Mini-Gemini会根据前文的文字生成结果和用户输入进行推理,在保持一致性的情况下对图片进行修改,使其更符合用户的要求。

当然,Mini-Gemini对于多模态模型的传统技能图片理解也不在话下。比方让模型理解输入曲线图的数学意义(高斯分布),并让它使用代码复现这张图,通过运行生成的代码,模型可以高质量地还原曲线图,节省了复现的时间。

又或者让Mini-Gemini理解梗图,通过其强大的OCR和推理能力,也可以准确指出笑点。

高清复杂的多图表理解和归纳也是小菜一碟,Mini-Gemini直接秒变打工人效率提升的超级外挂。

技术细节:

问题来了,Mini-Gemini是怎样做到这种惊艳的效果呢?核心在于三点,(1) 用于高清图像的双编码器机制,(2) 更高质量的数据, (3) 训练阶段结合生成模型数据拓展。

大道至简,Mini-Gemini的整体思路并不复杂。其中的Gemini(双子座)表达的是使用视觉双分支的信息挖掘(Mining-Info in Gemini)解决高清图像理解问题。

详细来说,Mini-Gemini将传统所使用的ViT当做低分辨率的Query,而使用卷积网络(ConvNet) 将高分辨率的图像编码成Key和Value。使用Transformer中常用的Attention机制,来挖掘每个低分辨率Query所对应的高分辨率区域。从而在保持最终视觉Token数目不变的情况下去提升对高清图像的响应,保证了在大语言模型 (LLM) 中对于高清图像的高效编码。值得一提的是,由于高分辨率分支卷积网络的使用,可以根据需要对图像所需的分辨率自适应调整,能够遇强则强。对于图像的生成部分,Mini-Gemini借助了SDXL,使用LLM推理后所生成的文本链接两个模型,类似于DALLE3的流程。

而对于数据这个万金油,Mini-Gemini进一步收集并优化了训练数据的质量,并加入了跟生成模型结合的文本数据进行训练。在仅使用2-3M数据的情况下,实现了对图像理解、推理、和生成的统一流程。

Mini-Gemini在各种Zero-shot的榜单上毫不逊色于各种大厂用大量数据训练出来的模型,可谓是“平、靓、正” !

量化指标:

可以看出,Mini-Gemini提供了多种普通和高清版本的模型,并且覆盖了2B的小杯到34B的超大杯,各个版本都取得了相似参数量下领先的效果,在许多指标上甚至超越Gemini Pro和GPT-4V。

在线可玩:

值得一提的是,Mini-Gemini的图像理解和生成能力已经出了Demo,可以在线跟自定义图像对话的那种。

操作也极其简单,直接跟输入图像或文字进行对话即可,欢迎来撩!

Github地址:https://github.com/dvlab-research/MiniGemini

Demo地址: http://103.170.5.190:7860/

论文地址:https://arxiv.org/pdf/2403.18814.pdf

模型地址:https://huggingface.co/collections/YanweiLi/mini-gemini-6603c50b9b43d044171d0854

数据地址:https://huggingface.co/collections/YanweiLi/mini-gemini-data-660463ea895a01d8f367624e

 

标签:

猜你喜欢

石头扫地机器人销额全球第一 双旗舰新品V20与G20S开启首销
观点交流、动手实践、人才集市……OceanBase开发者大会本周六举行
细节更丰富观影才沉浸,东芝“显微屏”电视Z700NF预售进行中
艾美特联合京东家电发布适用睡眠场景的艾美特黄金环循环扇
柔性智造,大族协作机器人在汽车产业的多元应用
58同城完成鸿蒙原生应用Beta版本开发,生活服务体验再进阶
汽车行业首个群体智能技术白皮书发布,AI Agent助力汽车行业智能化转型
谨防网络诈骗,警惕未成年充值,《蛋仔派对》用技术构建坚实屏障
第四届“长风杯”大赛开启,打出护企服务“组合拳”
第七届轮胎动力学协同创新联盟理事会暨新能源汽车先进底盘创新研讨会圆满闭幕!
加速数字化转型,金山办公联合华为云推动新质办公生产力落地
真我12x正式开售,千元即享512GB大内存手机
ESIE 2024 | 应大储之势,瑞浦兰钧宣布进入6.9MWh系统时代并携两大问顶新品亮相
小米「人车家全生态」全面展出,成都两家小米之家汽车门店震撼开业
首场AI国风音乐会《零·壹|中国色》圆满落幕 腾讯音乐【琴乐大模型】助力传统民乐焕发新生机
钉钉与全国TOP20银行开展合作,结合AI实现业财一体化能力建设
喜讯|九章证券领域大模型算法获深度合成服务算法备案
扎实推进国家安全体系建设,天翼云“红盾”织密安全保护网
悦康药业专注创新研发,凭借优秀产品逆势而上
助力焊接机器人智能化提速,国产全新3D成像模组即将面世
一起来赶“潮”!深圳时装周2024秋冬系列13日盛大启幕
三十而立后,如何走好长路?奥普家居CEO吴兴杰做了四大战略思考
维洛派Pro三重靶向抗衰,守护青春不是梦
T.A.B | 一次对中国数字艺术产业的深度思考
益高电动观光车助阵大灵山景区升级旅游体验
科创名城合肥亮相香港创科展,展示AR空间交互的魅力
20+顶流新能源车齐聚海南,懂车帝承办今年国内规模最大新能源公开赛
趣味反诈引导正向消费,《蛋仔派对》助力启迪孩子心智
蛋仔派对健全安全系统平台,预防未成年冒充成人登陆消费
2024 消博会:科大讯飞星火大模型赋能硬件