2022 年流行“文生圖”模型，那 2023 年流行什么？
機器學(xué)習(xí)工程師 Daniel Bourke 的答案是：反過來！
這不，一個最新發(fā)布的“圖生文”模型在網(wǎng)上爆火，其優(yōu)秀的效果引發(fā)眾多網(wǎng)友紛紛轉(zhuǎn)發(fā)、點贊。
不僅是基礎(chǔ)的“看圖說話”功能，寫情詩、講解劇情、給圖片中對象設(shè)計對話等等，這個 AI 都拿捏得穩(wěn)穩(wěn)的！
比如，當(dāng)你在網(wǎng)上刷到誘人的美食時，只需把圖片發(fā)給它，它就會立馬識別出需要的食材和做菜步驟：
甚至圖片中的一些列文虎克的細節(jié)也能“看”得清清楚楚。
當(dāng)被問到如何才能從圖片中倒著的房子里離開，AI 的回答是：側(cè)面不是有滑梯嘛！
這只新 AI 名為 BLIP-2 （Bootstrapping Language-Image Pre-training 2），目前代碼已開源。
最重要的是，和以前的研究不同，BLIP-2 使用的是一種通用的預(yù)訓(xùn)練框架，因此可以任意對接自己的語言模型。
有網(wǎng)友已經(jīng)在暢想把接口換成 ChatGPT 后的強強組合了。
作者之一 Steven Hoi 更是放話：BLIP-2 未來就是“多模態(tài)版 ChatGPT”。
那么，BLIP-2 神奇的地方還有哪些？一起往下看。
理解能力一流
BLIP-2 的玩法可以說非常多樣了。
只需提供一張圖片，你就可以與它對話，讓它看圖講故事、推理、生成個性化文本等各種要求都能滿足。
舉個例子，BLIP-2 不僅能輕松識別圖片中的景點是長城，還能介紹出長城的歷史：
中國的長城是公元前 221 年秦始皇為了保護帝都不受北方侵略而建造的。
給它一張電影劇照，BLIP-2 不光知道出自哪，還知道故事的結(jié)局是 be：泰坦尼克號沉沒，男主淹死。
在對人類神態(tài)的拿捏上，BLIP-2 同樣把握得非常準(zhǔn)確。
被問到這張圖片中的男人是什么表情，他為什么這樣時，BLIP-2 的回答是：他害怕那只雞，因為它正朝他飛來。
更神奇的是，在許多開放性問題上，BLIP-2 的表現(xiàn)也很出色。
讓它根據(jù)下面的圖片寫一句浪漫的話：
它的回答是這樣的：愛情就像日落，很難預(yù)見它的到來，但當(dāng)它發(fā)生時，它是如此的美麗。
這不光理解能力滿分，文學(xué)造詣也相當(dāng)強啊！
讓它給圖片中的兩只動物生成一段對話，BLIP-2 也能輕松拿捏傲嬌貓貓 x 蠢萌狗狗的設(shè)定：
貓: 嘿，狗狗，我能騎在你背上嗎？
狗: 當(dāng)然，為什么不呢？
貓: 我已經(jīng)厭倦了在雪地里行走。
那么，如此強大的理解能力背后，BLIP-2 究竟是怎么做到的？
多項視覺語言任務(wù)上實現(xiàn)新 SOTA
考慮到大規(guī)模模型的端到端訓(xùn)練成本越來越高，BLIP-2 使用的是一種通用且高效的預(yù)訓(xùn)練策略：
從現(xiàn)成的凍結(jié)預(yù)訓(xùn)練圖像編碼器和凍結(jié)的大型語言模型中引導(dǎo)視覺語言預(yù)訓(xùn)練。
這也意味著，每個人都可以選擇自己想用的模型接入使用。
而為了彌補了模態(tài)之間的差距，研究者提出了一個輕量級的查詢 Transformer。
該 Transformer 分兩個階段進行預(yù)訓(xùn)練：
第一階段從凍結(jié)圖像編碼器引導(dǎo)視覺語言表示學(xué)習(xí)，第二階段將視覺從凍結(jié)的語言模型引導(dǎo)到語言生成學(xué)習(xí)。
為了測試 BLIP-2 的性能，研究人員分別從零樣本圖像-文本生成、視覺問答、圖像-文本檢索、圖像字幕任務(wù)上對其進行了評估。
最終結(jié)果顯示，BLIP-2 在多項視覺語言任務(wù)上都實現(xiàn)了 SOTA。
其中，BLIP-2 在 zero-shot VQAv2 上比 Flamingo 80B 高 8.7%，且訓(xùn)練參數(shù)還減少了 54 倍。
而且顯而易見的是，更強的圖像編碼器或更強的語言模型都會產(chǎn)生更好的性能。
值得一提的是，研究者在論文最后也提到，BLIP-2 還存在一個不足，那就是缺乏上下文學(xué)習(xí)能力：
每個樣本只包含一個圖像-文本對，目前還無法學(xué)習(xí)單個序列中多個圖像-文本對之間的相關(guān)性。
研究團隊
BLIP-2 的研究團隊來自 Salesforce Research。
第一作者為 Junnan Li，他也是一年前推出的 BLIP 的一作。
目前是 Salesforce 亞洲研究院高級研究科學(xué)家。本科畢業(yè)于香港大學(xué)，博士畢業(yè)于新加坡國立大學(xué)。
研究領(lǐng)域很廣泛，包括自我監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、弱監(jiān)督學(xué)習(xí)、視覺-語言。
以下是 BLIP-2 的論文鏈接和 GitHub 鏈接，感興趣的小伙伴們可以自取～
論文鏈接：
https://arxiv.org/pdf/2301.12597.pdf
GitHub 鏈接：
https://github.com/salesforce/LAVIS/tree/main/projects/blip2
參考鏈接：
[1]https://twitter.com/mrdbourke/status/1620353263651688448
[2]https://twitter.com/LiJunnan0409/status/1620259379223343107
本文來自微信公眾號：量子位 （ID：QbitAI），作者：羿閣
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。