什么，最懂表情包的中文開源大模型出現(xiàn)了？？！
就在最近，來自清華的一個叫 VisualGLM-6B 的大模型在網(wǎng)上傳開了來，起因是網(wǎng)友們發(fā)現(xiàn)，它連表情包似乎都能解讀！
像這個臘腸犬版蒙娜麗莎，它不僅準(zhǔn)確理解了這是臘腸犬與蒙娜麗莎的“合體照”，還點出了這只是一幅虛構(gòu)作品：
又像是這個正在出租車后熨衣斗的男子，它也一眼看出了“不對勁”的地方：
值得一提的是，在此前 GPT-4 剛發(fā)布時，網(wǎng)友們也同樣將它用來測了測常識理解能力：
就如同弱智吧問題是大模型語言理解能力的 benchmark 一樣，表情包簡直就是大模型圖片理解能力的 benchmark。
要是它真能理解網(wǎng)友們奇奇怪怪的表情包，那 AI 簡直沒有什么不能 get 到的信息點了啊！
我們趕緊測試了一波，看看它究竟效果如何。
gif 也能看懂，但解讀太過正經(jīng)
目前，VisualGLM-6B 已經(jīng)推出了網(wǎng)頁端試玩版。
只需要在 Hugging Face 的試玩界面上傳圖片，再與它進行“對話”，它就能生成理解圖片的結(jié)果：
先試試初級難度的表情包。
官方給出了幾個問題示例，例如“描述一下這個場景”、“這是什么東西”、“這張圖片描述了什么”，我們就先嘗試一下這幾個問題。
輸入一只正在聽歌的小貓，讓 VisualGLM-6B 描述一下表情包中的場景：
還不錯，VisualGLM-6B 準(zhǔn)確 get 了小貓享受音樂或使用電子設(shè)備這個過程！
再輸入一個章魚哥表情包，問它“這是什么東西”：
也沒問題。看起來能拿給爸媽用了（手動狗頭）。
再試試用吃飯小狗，讓 VisualGLM-6B 解讀一下這張圖片描述了什么：
看起來初級表情包都沒什么問題，是時候加大力度了。
上傳一個 gif 試試？第一眼似乎沒有問題：
但再換一個 gif 試試就會發(fā)現(xiàn)，它似乎只理解了第一幀圖像，猜測是不是“主角在試圖抓住或捕捉它”，但實際上只是在扔鈔票：
與之前的一些圖片理解 AI 不同，VisualGLM-6B 在解讀時會著重介紹表情包角色中的面部表情，例如“它看起來不舒服或者緊張”：
BUT！當(dāng)我們再上一點難度，給表情包配上文字之后，它就無法理解表情包的含義了：
尤其是這種靠配文傳達表情包精髓的，VisualGLM-6B 就會開始展現(xiàn)“瞎解讀”的功底：
如果圖像拼接太多，它還會出現(xiàn)奇怪的 bug，例如把摸魚狗頭人認成大鯊魚：
而且，它在描述表情包的時候整體比較正經(jīng)，不會解讀圖像以外的“用意”。
例如，有網(wǎng)友測試了一下經(jīng)典的“熊貓人顯卡”表情包：
以及周星馳的經(jīng)典“我全都要”表情包：
顯然 VisualGLM-6B 能大致理解圖片的場景，但對于表情包的配文就無法理解了。
總結(jié)一下，對于包含經(jīng)典作品角色的表情包，或是經(jīng)過文字加工前的“原始”表情包，VisualGLM-6B 能說出這個角色的名字，或是描述出其中的場景：
雖然也可以讓它描述情緒，不過 AI 看出來的情緒，可能和最終表情包表達的情緒不太一樣：
但一旦表情包加上了文字、或是被 P 進了新場景，VisualGLM-6B 就會因為無法解讀圖片中文字的意思，而變得“看不懂?！绷?。
△ 有時候還會解讀錯亂，例如狗看成豬
那么，擁有一部分解讀表情包能力的 VisualGLM-6B，究竟是什么來頭？
多模態(tài)對話 VisualGLM-6B，最低只需 8.7G 顯存
事實上，VisualGLM-6B 并非專門為“表情包解讀”而開發(fā)。
它是由智譜 AI 和清華大學(xué) KEG 實驗室打造的開源多模態(tài)對話模型，主要用于中文圖像理解，解讀表情包可以說只是它被開發(fā)出來的一個“副業(yè)”。
它的正經(jīng)用法，一般是醬嬸的：
提起這個團隊，大家更熟悉的可能是 ChatGLM-6B 大模型。
后者此前我們有作介紹：
它是“清華系 ChatGPT”的一員，2022 年 8 月發(fā)布，共 62 億規(guī)模參數(shù)，支持中英雙語對話。
上線 4 天就突破 6k star，目前已經(jīng)近 25k。
據(jù)介紹，VisualGLM-6B 正是在 ChatGLM-6B 的基礎(chǔ)上完成：
ChatGLM-6B 負責(zé)它的語言模型部分，圖像部分則通過訓(xùn)練 BLIP2-Qformer 構(gòu)建起視覺模型與語言模型的“橋梁”。
因此，VisualGLM-6B 整體模型共 78 億參數(shù)。
具體而言，VisualGLM-6B 的預(yù)訓(xùn)練在中英文權(quán)重相同的情況下，在 30M 高質(zhì)量中文圖文對和 300M 經(jīng)過篩選的英文圖文對上完成（來自 CogView 數(shù)據(jù)集）。
這一訓(xùn)練方法可以將視覺信息對齊到 ChatGLM 的語義空間。
微調(diào)階段，VisualGLM-6B 又在長視覺問答數(shù)據(jù)上訓(xùn)練，以生成符合人類偏好的答案。
與此同時，VisualGLM-6B 由 SwissArmyTransformer (簡稱“sat”) 庫訓(xùn)練，這是一個支持 Transformer 靈活修改、訓(xùn)練的工具庫，支持 Lora、P-tuning 等參數(shù)高效微調(diào)方法。
最終，本項目既提供了 HuggingFace 接口，也提供了基于 sat 的接口。
要說 VisualGLM-6B 最大的特點，便是結(jié)合模型量化技術(shù)，可以讓大家在消費級的顯卡上進行本地部署，INT4 量化級別下最低只需 8.7G 顯存。
具體包含三種部署工具：
一是命令行 Demo。執(zhí)行命令：
python cli_demo.py
然后程序便自動下載 sat 模型，大家就可以在命令行中進行交互式的對話了。
輸入指示并回車即可生成回復(fù)，輸入 clear 可以清空對話歷史，輸入 stop 終止程序。
二是基于 Gradio 的網(wǎng)頁版 Demo。
需要先安裝 Gradio：pip install gradio，然后下載并進入本倉庫運行 web_demo.py，最后在瀏覽器中打開系統(tǒng)輸出的地址即可使用。
三是 API 部署。需要安裝額外的依賴：pip install fastapi uvicorn，然后運行倉庫中的 api.py。
更多細節(jié)和推理、量化部分的方法就不贅述了，可戳參考鏈接 [1] 查看官方介紹。
需要注意的是，如官方所述，VisualGLM-6B 正處于 V1 版本，視覺和語言模型的參數(shù)、計算量都較小，因此會出現(xiàn)相當(dāng)多的已知局限性，像圖像描述事實性 / 模型幻覺問題、圖像細節(jié)信息捕捉不足，以及一些來自語言模型的局限性等等。
就如下面這張測試，VisualGLM-6B 描述得還挺到位的，能看出是阿根廷和世界杯，但別被蒙了：圖上并沒有阿圭羅和迪馬利亞這兩位球星。
因此，官方也稱將在后續(xù)繼續(xù)針對以上問題進行一一改進。
不過，擁有圖片解讀能力的大模型，也并不只有 VisualGLM-6B 一個。
目前來看，表現(xiàn)比較好的“表情包殺手”還是 GPT-4，從網(wǎng)友測試來看，它已經(jīng)能根據(jù)表情包中的文字解讀 meme：
開源大模型方面，基于 Vicuna-13B 開發(fā)的 MiniGPT-4 也能解讀圖片，同樣只需要一張單卡 RTX3090 就能搞定：
不過在這批大模型中，VisualGLM-6B 強調(diào)的則是“中文開源”特點，換而言之，它在中文描述上可能會比其他大模型更準(zhǔn)確一些。
你試玩過這些“表情包解讀 AI”了嗎？感覺誰更能 get 人類思想精華？（手動狗頭）
VisualGLM-6B 試玩地址：
https://huggingface.co/spaces/lykeven/visualglm-6b
參考鏈接：
[1]https://mp.weixin.qq.com/s/SzS6Gx8ZjtBXXQ7cs8-zLQ
[2]https://twitter.com/thukeg/status/1659079789599248386
本文來自微信公眾號：量子位 （ID：QbitAI），作者：豐色 蕭簫
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。