新SOTA來了：國產(chǎn)9B模型多項得分超4o-mini，中國出海電商已經(jīng)用上了

魚羊 2024-09-19 13:48:24 來源：量子位

煢煢 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

阿里開源，又拿第一了。

這次是在多模態(tài)領(lǐng)域：

就在剛剛，阿里國際AI團隊開源多模態(tài)大模型Ovis1.6。在多模態(tài)權(quán)威綜合評測基準OpenCompass上，Ovis1.6-Gemma2-9B版本綜合得分超越Qwen2VL-7B、InternVL2-26B和MiniCPM-V-2.6等主流開源模型，在300億以下參數(shù)開源模型中位居第一。

在數(shù)學推理和視覺理解等多項任務(wù)中，得分甚至超過了閉源的GPT-4o-mini。

具體來說，Ovis1.6能勝任視覺感知推理、數(shù)學和科學、生活場景等多種多模態(tài)任務(wù)。

拿大家伙兒都很關(guān)注的數(shù)理能力舉個??，Ovis1.6的表現(xiàn)是醬嬸的：

媽媽再也不用擔心我學不明白大學數(shù)學。

用來輔助讀讀論文：

分析財報，效果也相當不錯。

還能當場看圖教你做一道經(jīng)典的炸魚薯條（手動狗頭）。

值得一提的是，阿里國際的Ovis系列多模態(tài)大模型，遵循的是Apache 2.0開源協(xié)議。也就是說，協(xié)議很寬松，商用很友好。

從結(jié)構(gòu)上對齊視覺和文本嵌入

話不多說，我們照例來拆解一下Ovis這個新科第一背后的技術(shù)細節(jié)。

根據(jù)OpenCompass評測基準，Ovis1.6-Gemma2-9B超過了Qwen2-VL-7B、MiniCPM-V-2.6等一眾相同參數(shù)量級的知名多模態(tài)模型。

在數(shù)學等推理任務(wù)中，甚至有媲美70B參數(shù)模型的表現(xiàn)。

Ovis1.6的幻覺現(xiàn)象和錯誤率也低于同級別模型，展現(xiàn)了更高的文本質(zhì)量和準確率。

如何做到？阿里國際AI團隊的核心思路是：從結(jié)構(gòu)上對齊視覺和文本嵌入。

當前，多數(shù)開源多模態(tài)大語言模型（MLLM）并非從頭訓練整個模型，而是通過像多層感知機（MLP）這樣的連接器，將預訓練的大語言模型（LLM）和視覺Transformer集成起來，給LLM裝上“眼睛”。

這樣一來，就導致了一個問題：MLLM的文本和視覺模塊采用不同的嵌入策略，使得視覺和文本信息沒辦法無縫融合，限制了模型性能的進一步提升。

針對這個問題，Ovis采用了視覺tokenizer+視覺嵌入表+大語言模型的架構(gòu)。

Ovis借鑒了大語言模型中的文本嵌入策略，引入了可學習的視覺嵌入表，將連續(xù)的視覺特征先轉(zhuǎn)換為概率化的視覺token，再經(jīng)由視覺嵌入表多次索引加權(quán)得到結(jié)構(gòu)化的視覺嵌入。

文本方面，Ovis沿用當前大語言模型的處理方式，文本tokenizer將輸入文本轉(zhuǎn)化為one-hot token，并根據(jù)文本嵌入表查找到每個文本token對應(yīng)的嵌入向量。

最后，Ovis將所有視覺嵌入向量與文本嵌入向量拼接起來，經(jīng)由Transformer處理，完成多模態(tài)任務(wù)。

此次開源的Ovis1.6，相較于前代Ovis1.5，還在架構(gòu)、數(shù)據(jù)、訓練策略等方面做出了進一步優(yōu)化。

架構(gòu)方面，采用動態(tài)子圖方案，能靈活應(yīng)對不同分辨率圖像特征，提升了模型處理復雜視覺任務(wù)的能力。

數(shù)據(jù)方面，Ovis1.6在訓練中涵蓋了多種類型的數(shù)據(jù)集，包括Caption、OCR、Table、Chart、Math等，確保模型在廣泛的應(yīng)用場景中都有出色表現(xiàn)。

訓練策略方面，采用DPO等方案持續(xù)優(yōu)化模型性能，增強了模型在生成文本和理解復雜指令方面的能力，使得模型在復雜任務(wù)上的表現(xiàn)進一步提升。

消融實驗的結(jié)果還顯示，在訓練數(shù)據(jù)、模型參數(shù)、LLM和視覺底座都保持相同的情況下，與基于MLP連接器的多模態(tài)大模型架構(gòu)相比，Ovis性能整體提升了8.8%。

量子位還了解到，作為一項基礎(chǔ)研究，Ovis目前已經(jīng)被廣泛應(yīng)用到了阿里國際的實際業(yè)務(wù)中。

AI能力變革出海電商

正如大家所知，阿里國際是一家AI驅(qū)動的、擁有多個全球知名電商的公司。

而事實上，出海電商這個場景，早已第一批被AIGC“滲透”。

原因很直接：做出海生意，往往面臨海外市場復雜、成本和競爭壓力大、跨境人才短缺等等共性問題，而多模態(tài)大模型這樣的AIGC技術(shù)，恰恰能在這些問題上，提供適配的降本增效方案。

舉個例子，在跨境電商領(lǐng)域，退貨退款一直是影響用戶體驗的重要因素。

傳統(tǒng)方案是人工進行退款退貨的審核和判責。這不僅需要大量審核人力和較久的審核時間，還會因為人工主觀的評判標準不一，導致判罰的不穩(wěn)定性較高。多數(shù)平臺為了保證用戶體驗，傾向于給消費者更多的傾斜，但這也傷害了部分商家和平臺的權(quán)益。

現(xiàn)在，基于Ovis，阿里國際融合過去積累的大量電商知識，上線了智能退款系統(tǒng)。

相比于人工，Ovis針對用戶提供的退貨退款圖文和視頻詳情，可以提供秒級的審核服務(wù)，且具有高度穩(wěn)定的一致性。這就在保證消費者和商家公平權(quán)益的同時，實現(xiàn)了快速低成本的退貨退款方案。

另外，在商品屬性提取、生成賣點等場景中，Ovis也已落地應(yīng)用。

阿里國際AI團隊，正是在如此預判下成立試跑的。而就在成立這一年多時間里，阿里國際已經(jīng)實現(xiàn)AI能力在跨境電商領(lǐng)域的規(guī)?；瘧?yīng)用：

AI發(fā)布商品達到百萬規(guī)模，并且通過AI優(yōu)化，這些產(chǎn)品在海外的搜索量提升了37%。

AI能力覆蓋營銷、客戶服務(wù)、商品發(fā)布、設(shè)計、合規(guī)等40+應(yīng)用場景，服務(wù)全球50萬商家。

阿里國際AI能力日均超5千萬次調(diào)用，規(guī)模每兩月翻番。

……

Ovis之外，阿里國際還構(gòu)建了多語言增強大模型Marco，電商版多模態(tài)大模型MarcoVL，提供的MaaS服務(wù)包括：

• 多語言文本生成技術(shù)：為商品詳情描述適配當?shù)卣Z言，讓AI為商品介紹改寫優(yōu)化多語言標題，突破語言和文化壁壘。
• AI圖片處理，比如一鍵生成多張?zhí)摂M試衣效果。

以及智能消除、智能摳圖等圖像設(shè)計類能力。

可以說，從創(chuàng)立店鋪到市場營銷，再到售前售后，在出海電商的各個環(huán)節(jié)，阿里國際都已提供相應(yīng)的AI技術(shù)予以輔助——

潛移默化中，AI已經(jīng)完全改變商家的工作方式和生產(chǎn)效率。

△店鋪設(shè)計來自AI

大模型之所以能在各行各業(yè)掀起驚濤駭浪，核心原因就是對生產(chǎn)力的解放和降本增效。

在這一波變革之中，對于阿里國際這樣的平臺而言，AI技術(shù)能力再次成為最受關(guān)注的核心競爭力。

而借助平臺之力，出海電商商家已經(jīng)開始第一批享受擁抱AI的紅利。

對于廣大開發(fā)者而言，來自于實干家們的開源貢獻，亦是福音。

Ovis1.6開源地址和Demo：
arXiv:?https://arxiv.org/abs/2405.20797
Github:?https://github.com/AIDC-AI/Ovis
Huggingface：https://huggingface.co/AIDC-AI/Ovis1.6-Gemma2-9B
Demo：https://huggingface.co/spaces/AIDC-AI/Ovis1.6-Gemma2-9B