融合ChatGPT+DALLE3，賈佳亞團隊新作開源：識圖推理生圖一站解決

夢晨 2024-04-15 17:23:16 來源：量子位

允中 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

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？

香港中文大學終身教授賈佳亞團隊提出多模態(tài)模型Mini-Gemini：

更高清圖像的精確理解、更高質(zhì)量的訓練數(shù)據(jù)、更強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，最強模型在多個指標上相比谷歌的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，超會玩梗，一起來體驗下！

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，而在實際場景中，許多任務都需要對高清圖像進行解析，并用圖像的形式進行展現(xiàn)。

如下圖所示，Mini-Gemini不僅能夠根據(jù)圖片對做面包的過程進行手把手教學，也能夠準確將不同電腦品種根據(jù)圖片中的各種參數(shù)進行對比。

有網(wǎng)友開玩笑說，這下媽媽不用擔心我獨自生活了。

更重要的是，Mini-Gemini在保留超強的圖像理解和推理能力的同時，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？當用戶給出兩個毛線團并問出能用它們做什么時，Gemini可以識別出圖片內(nèi)容并給出相應的建議。

當我們把相似的輸入給到Mini-Gemini，它會怎么回答呢？

可以發(fā)現(xiàn)，Mini-Gemini也可以識別出圖片中的元素，并且合理地建議，同時生成了一只對應的毛線小熊。

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，這個操作就很像是ChatGPT和DALL·E 3的聯(lián)動了。

接下來讓Mini-Gemini做自己最擅長的推理和圖片理解，看看它表現(xiàn)：

比如理解圖片中的矛盾點并舉一反三——輸入冰川中的仙人掌，它會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，因為在沙漠環(huán)境中自然不會出現(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，因為北極熊適應于寒冷、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)造了一個引人注目且超現(xiàn)實的視覺效果，挑戰(zhàn)觀眾的期待，并可能引發(fā)人們對氣候變化、環(huán)境適應或不同生態(tài)系統(tǒng)融合的思考。

同時，正如ChatGPT+DALL·E 3的夢幻結(jié)合一樣，Mini-Gemini的“推理生成”功能還可以在多輪對話中通過簡單指令生成連環(huán)小故事。

比方說，讓它根據(jù)用戶輸入講一個貴族小老鼠的故事，Mini-Gemini會根據(jù)前文的文字生成結(jié)果和用戶輸入進行推理，在保持一致性的情況下對圖片進行修改，使其更符合用戶的要求。

當然，Mini-Gemini對于多模態(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)學意義（高斯分布），并讓它使用代碼復現(xiàn)這張圖，通過運行生成的代碼，模型可以高質(zhì)量地還原曲線圖，節(jié)省了復現(xiàn)的時間。

又或者讓Mini-Gemini理解梗圖，通過其強大的OCR和推理能力，也可以準確指出笑點。

在另一個案例中，Mini-Gemini除了理解梗圖本身，甚至推測了制作者的深層意圖。

高清復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外掛。

技術(shù)細節(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：

(1) 用于高清圖像的雙編碼器機制

(2) 更高質(zhì)量的數(shù)據(jù)

(3) 訓練階段結(jié)合生成模型數(shù)據(jù)拓展

大道至簡，Mini-Gemini的整體思路并不復雜。其中的Gemini（雙子座)表達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。

詳細來說，Mini-Gemini將傳統(tǒng)所使用的ViT當做低分辨率的Query，而使用卷積網(wǎng)絡（ConvNet）將高分辨率的圖像編碼成Key和Value。

使用Transformer中常用的Attention機制，來挖掘每個低分辨率Query所對應的高分辨率區(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高清圖像的響應，保證了在大語言模型（LLM）中對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)絡的使用，可以根據(jù)需要對圖像所需的分辨率自適應調(diào)整。對于圖像的生成部分，Mini-Gemini借助了SDXL，使用LLM推理后所生成的文本鏈接兩個模型，類似于DALL·E 3的流程。

對于數(shù)據(jù)，Mini-Gemini進一步收集并優(yōu)化了訓練數(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)進行訓練。在僅使用2-3M數(shù)據(jù)的情況下，實現(xiàn)了對圖像理解、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)訓練出來的模型。

量化指標：

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，各個版本都取得了相似參數(shù)量下領先的效果，在許多指標上甚至超越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話的那種。

操作也極其簡單，直接跟輸入圖像或文字進行對話即可，歡迎來撩！

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-660463ea895a01d8f367624