在開源社區(qū)中把 GPT-4+Dall?E 3 能?整合起來的模型該有多強(qiáng)？
香港中文大學(xué)終身教授賈佳亞團(tuán)隊(duì)提出多模態(tài)模型 Mini-Gemini：
更高清圖像的精確理解、更高質(zhì)量的訓(xùn)練數(shù)據(jù)、更強(qiáng)的圖像解析推理能力，還能結(jié)合圖像推理和生成，堪稱王炸。
Mini-Gemini 還提供了 2B 小杯到 34B 的超大杯，最強(qiáng)模型在多個(gè)指標(biāo)上相比谷歌的 Gemini Pro 甚至 GPT-4V 都不遑多讓。
目前，Mini-Gemini 從代碼、模型到數(shù)據(jù)已全部開源，登上了 PaperWithCode 熱榜。
Mini-Gemini 線上 Demo 也已發(fā)布，超會(huì)玩梗，一起來體驗(yàn)下！
接近商業(yè)閉源模型水平
Mini-Gemini Demo 放出后受到廣大網(wǎng)友關(guān)注，一番“品嘗”后，他們認(rèn)為 Mini-Gemini 跟商業(yè)模型差不了多少。
目前，絕大多數(shù)多模態(tài)模型僅支持低分辨率圖像輸入和文字輸出，而在實(shí)際場(chǎng)景中，許多任務(wù)都需要對(duì)高清圖像進(jìn)行解析，并用圖像的形式進(jìn)行展現(xiàn)。
如下圖所示，Mini-Gemini 不僅能夠根據(jù)圖片對(duì)做面包的過程進(jìn)行手把手教學(xué)，也能夠準(zhǔn)確將不同電腦品種根據(jù)圖片中的各種參數(shù)進(jìn)行對(duì)比。
有網(wǎng)友開玩笑說，這下媽媽不用擔(dān)心我獨(dú)自生活了。
更重要的是，Mini-Gemini 在保留超強(qiáng)的圖像理解和推理能力的同時(shí)，還解鎖了圖像的生成能力，就如同 ChatGPT 和生成模型的結(jié)合。
下面，讓我們通過幾個(gè)例子來更直觀地感受這種能力：
還記得 Google Gemini 的官方演示視頻么？當(dāng)用戶給出兩個(gè)毛線團(tuán)并問出能用它們做什么時(shí)，Gemini 可以識(shí)別出圖片內(nèi)容并給出相應(yīng)的建議。
當(dāng)我們把相似的輸入給到 Mini-Gemini，它會(huì)怎么回答呢？
可以發(fā)現(xiàn)，Mini-Gemini 也可以識(shí)別出圖片中的元素，并且合理地建議，同時(shí)生成了一只對(duì)應(yīng)的毛線小熊。
通過一些抽象的多模態(tài)指令來讓模型給出推理，并生成合適的圖片，這個(gè)操作就很像是 ChatGPT 和 DALL?E 3 的聯(lián)動(dòng)了。
接下來讓 Mini-Gemini 做自己最擅長(zhǎng)的推理和圖片理解，看看它表現(xiàn)：
比如理解圖片中的矛盾點(diǎn)并舉一反三 —— 輸入冰川中的仙人掌，它會(huì)解釋其中的矛盾并生成一張熱帶雨林中北極熊的圖片：
圖片呈現(xiàn)了仙人掌的典型棲息地與冰的存在之間的視覺矛盾，因?yàn)樵谏衬h(huán)境中自然不會(huì)出現(xiàn)冰。這種矛盾的類似例子可能是一只北極熊出現(xiàn)在熱帶雨林中，因?yàn)楸睒O熊適應(yīng)于寒冷、覆蓋著冰的環(huán)境，在炎熱潮濕的氣候中無法生存。這種并置創(chuàng)造了一個(gè)引人注目且超現(xiàn)實(shí)的視覺效果，挑戰(zhàn)觀眾的期待，并可能引發(fā)人們對(duì)氣候變化、環(huán)境適應(yīng)或不同生態(tài)系統(tǒng)融合的思考。
同時(shí)，正如 ChatGPT+DALL?E 3 的夢(mèng)幻結(jié)合一樣，Mini-Gemini 的“推理生成”功能還可以在多輪對(duì)話中通過簡(jiǎn)單指令生成連環(huán)小故事。
比方說，讓它根據(jù)用戶輸入講一個(gè)貴族小老鼠的故事，Mini-Gemini 會(huì)根據(jù)前文的文字生成結(jié)果和用戶輸入進(jìn)行推理，在保持一致性的情況下對(duì)圖片進(jìn)行修改，使其更符合用戶的要求。
當(dāng)然，Mini-Gemini 對(duì)于多模態(tài)模型的傳統(tǒng)技能圖表理解也不在話下。比方讓模型理解輸入曲線圖的數(shù)學(xué)意義（高斯分布），并讓它使用代碼復(fù)現(xiàn)這張圖，通過運(yùn)行生成的代碼，模型可以高質(zhì)量地還原曲線圖，節(jié)省了復(fù)現(xiàn)的時(shí)間。
又或者讓 Mini-Gemini 理解梗圖，通過其強(qiáng)大的 OCR 和推理能力，也可以準(zhǔn)確指出笑點(diǎn)。
在另一個(gè)案例中，Mini-Gemini 除了理解梗圖本身，甚至推測(cè)了制作者的深層意圖。
高清復(fù)雜的多圖表理解和歸納也是小菜一碟，Mini-Gemini 直接秒變打工人效率提升的超級(jí)外掛。
技術(shù)細(xì)節(jié)：
那么問題來了，Mini-Gemini 是怎樣做到這種驚艷的效果呢？
核心在于三點(diǎn)：
(1) 用于高清圖像的雙編碼器機(jī)制
(2) 更高質(zhì)量的數(shù)據(jù)
(3) 訓(xùn)練階段結(jié)合生成模型數(shù)據(jù)拓展
大道至簡(jiǎn)，Mini-Gemini 的整體思路并不復(fù)雜。其中的 Gemini（雙子座) 表達(dá)的是使用視覺雙分支的信息挖掘（Mining-Info in Gemini）解決高清圖像理解問題。
詳細(xì)來說，Mini-Gemini 將傳統(tǒng)所使用的 ViT 當(dāng)做低分辨率的 Query，而使用卷積網(wǎng)絡(luò)（ConvNet）將高分辨率的圖像編碼成 Key 和 Value。
使用 Transformer 中常用的 Attention 機(jī)制，來挖掘每個(gè)低分辨率 Query 所對(duì)應(yīng)的高分辨率區(qū)域。從而在保持最終視覺 Token 數(shù)目不變的情況下去提升對(duì)高清圖像的響應(yīng)，保證了在大語言模型（LLM）中對(duì)于高清圖像的高效編碼。
值得一提的是，由于高分辨率分支卷積網(wǎng)絡(luò)的使用，可以根據(jù)需要對(duì)圖像所需的分辨率自適應(yīng)調(diào)整。對(duì)于圖像的生成部分，Mini-Gemini 借助了 SDXL，使用 LLM 推理后所生成的文本鏈接兩個(gè)模型，類似于 DALL?E 3 的流程。
對(duì)于數(shù)據(jù)，Mini-Gemini 進(jìn)一步收集并優(yōu)化了訓(xùn)練數(shù)據(jù)的質(zhì)量，并加入了跟生成模型結(jié)合的文本數(shù)據(jù)進(jìn)行訓(xùn)練。在僅使用 2-3M 數(shù)據(jù)的情況下，實(shí)現(xiàn)了對(duì)圖像理解、推理和生成的統(tǒng)一流程。
Mini-Gemini 在各種 Zero-shot 的榜單上毫不遜色于各種大廠用大量數(shù)據(jù)訓(xùn)練出來的模型。
量化指標(biāo)：
可以看出，Mini-Gemini 提供了多種普通和高清版本的模型，并且覆蓋了 2B 的小杯到 34B 的超大杯，各個(gè)版本都取得了相似參數(shù)量下領(lǐng)先的效果，在許多指標(biāo)上甚至超越 Gemini Pro 和 GPT-4V。
在線可玩：
值得一提的是，Mini-Gemini 的圖像理解和生成能力已經(jīng)出了 Demo，可以在線跟自定義圖像對(duì)話的那種。
操作也極其簡(jiǎn)單，直接跟輸入圖像或文字進(jìn)行對(duì)話即可，歡迎來撩！
參考
Github 地址：https://github.com/dvlab-research/MiniGemini
Demo 地址：http://103.170.5.190:7860/
論文地址：https://arxiv.org/pdf/2403.18814.pdf
模型地址：https://huggingface.co/collections/YanweiLi/mini-gemini-6603c50b9b43d044171d0854
數(shù)據(jù)地址：https://huggingface.co/collections/YanweiLi/mini-gemini-data-660463ea895a01d8f367624e
本文來自微信公眾號(hào)：量子位 （ID：QbitAI），作者：允中
廣告聲明：文內(nèi)含有的對(duì)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(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。