火星網校
挑戰(zhàn)GPT-4V，浙大校友推出開源版多模態(tài)大模型，獲GitHub 6k+星標
發(fā)布時間：2023-11-28 14:55:23 瀏覽量：129次
性能已達到GPT-4V的85%
克雷西 發(fā)自 凹非寺
|
GPT-4的視覺能力還沒全量放開測試，開源對手就隆重登場了。
浙大竺院的一位校友，與微軟研究院等機構合作推出了新版多模態(tài)模型LLaVA。
LLaVA在11個測試數據集上都成為了SOTA，在GitHub上更是斬獲6k+星標。
開發(fā)者提供的數據顯示，LLaVA的綜合能力已經達到了GPT-4V水平的85%，在復雜推理任務上更是超過了96%。
讀驗證碼、判斷狗的品種，甚至根據圖像生成網頁代碼……都難不倒LLaVA。
△/Matt Shumer
資源方面，LLaVA的樣本量僅為120萬，在單臺8*A100的機器上，1天就能完成訓練。
不過體驗過的網友普遍表示，LLaVA離GPT-4V還存在一些差距。
那么LLaVA究竟表現(xiàn)如何，我們也實測了一番。
和GPT-4V有差距，但也能用
為了更加直觀地對比LLaVA和GPT-4V的表現(xiàn)，我們直接使用了微軟發(fā)布的GPT-4V說明書中的案例。
首先來看最基本的人物識別。
這里GPT-4V說明書中使用的prompt是描述這張圖，我們也如法炮制。
結果LLaVA不僅一個名字也沒提，還把人數也數錯了，但也判斷出了這里面有足球運動員、演員和歌星。
于是我們繼續(xù)追問LLaVA這些人的名字，結果它告訴我們信息量不足以判斷。
這輪GPT-4V略勝一籌，不過或許是因為一下八個人太多了，于是我們又給LLaVA加試了一道簡單些的題。
這次經過一輪追問，LLaVA成功認出了圖片中的老馬和小扎，所以這輪我們算它過關。
那如果是專業(yè)的圖像呢？比如醫(yī)學影像。
GPT-4V的答案是肺部感染或炎癥，而LLaVA說的是吸煙或慢阻肺引發(fā)的凋亡細胞和瘢痕組織。
不過兩個模型都沒有確定自己的結論，都提示需要進一步檢查，不過LLaVA給出的“黑色部分組織有異?！笔钦_的。
除了這些真·圖像之外，文字識別也是多模態(tài)模型測試中的一項常見任務。
這張圖中，LLaVA成功識別了里面的英文，但下面的日文片假名無論如何也認不出來。
除了上面這些正經的內容，LLaVA能不能解讀表情包呢？
這次，LLaVA正確識別了圖中的青蛙玩具和文字，而對表情包的解釋，對了一半。
這個表情包諷刺的是有一群人發(fā)現(xiàn)自己錯過了計劃時間之后反而把預定事項推得更遲，LLaVA只說出了前面一半。
總結下來就是，GPT-4V的識別技能，LLaVA基本上也都會，但又都差點意思。
換言之就是，雖然沒那么厲害，但也是能用的水平了。
那么，LLaVA是如何打造出來的呢？
由Vicuna和CLIP結合而成
LLaVA的訓練一共分為兩個階段。
首先是將文本與圖像對齊的預訓練過程，這一階段一共使用了60萬對圖像-文本信息。
第二階段則是在對齊的基礎上使用視覺指令進行調優(yōu)，讓LLaVA熟悉用戶可能問到的各種問題。
模型結構方面，LLaVA的語言模型是羊駝家族的Vicuna，視覺模型則采用了OpenAI的CLIP，并以MLP作為模態(tài)連接器。
為了讓LLaVA能夠識別更多專業(yè)領域的內容，研究團隊在開發(fā)過程中還使用了ScienceQA數據集。
開發(fā)過程完畢之后，研究團隊使用GPT-4對LLaVA的輸出內容進行評價。
利用COCO數據集中的內容，開發(fā)者設計了三種類型的問題，然后讓LLaVA輸出答案并交給GPT-4評分。
- 問答式對話：將COCO數據集中的問題改編成問句進行提問
- 細節(jié)描述：要求LLaVA對圖像內容提供更詳細具體的說明
- 復雜推理：要求LLaVA在理解的基礎上推理出圖像中沒有直接顯含的信息（如：人物關系）
目前，LLaVA的代碼、模型和訓練數據都已經開源，有7B和13B兩個參數量的模型，均為全量微調，LoRA版本也將很快發(fā)布。
作者簡介
LLaVA相關論文的第一作者是威斯康星大學麥迪遜分校的華人博士生Haotian Liu。
他還是一名浙大竺院校友，期間師從計算機學院金小剛教授和吳飛教授。
他的現(xiàn)任導師Yong Jae Lee則是相關論文的通訊作者。
此外，來自微軟研究院和哥倫比亞大學的學者也有參與LLaVA的相關工作。
項目主頁（內含DEMO及GitHub、HuggingFace鏈接）：
https://llava-vl.github.io/
論文地址：
[1]https://arxiv.org/abs/2304.08485
[2]https://arxiv.org/abs/2310.03744
— 完 —
QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態(tài)
熱門課程推薦
熱門資訊
-
想將照片變成漫畫效果？這篇文章分享了4個方法，包括Photoshop、聰明靈犀、VanceAI Toongineer、醒圖，簡單操作就能實現(xiàn)，快來嘗試一下吧！
-
2. 華為手機神奇“AI修圖”功能，一鍵消除衣服！原圖變身大V領深V！
最近華為手機Pura70推出的“AI修圖”功能引發(fā)熱議，通過簡單操作可以讓照片中的人物換裝。想了解更多這款神奇功能的使用方法嗎？點擊查看！
-
近年來,人工智能逐漸走入公眾視野,其中的AI圖像生成技術尤為引人注目。只需在特定軟件中輸入關鍵詞描述語以及上傳參考圖就能智能高效生成符合要求的...
-
4. AI視頻制作神器Viggle：讓靜態(tài)人物動起來，創(chuàng)意無限！
Viggle AI是一款免費制作視頻的AI工具，能讓靜態(tài)人物圖片動起來，快來了解Viggle AI的功能和優(yōu)勢吧！
-
5. Logo Diffusion——基于sd繪畫模型的AI LOGO 生成器
這下LOGO設計徹底不用求人了。接下來詳細演示一遍操作流程首先進入Logo D... 想學習更多AI技能,比如說關于怎么樣利用AI來提高生產效率、還能做什么AI...
-
6. 零基礎10分鐘生成漫畫，教大家如何用AI生成自己的漫畫
接下來,我將親自引導你,使用AI工具,創(chuàng)作一本既有趣又能帶來盈利的漫畫。我們將一起探索如何利用這個工具,發(fā)揮你的創(chuàng)意,制作出令人驚嘆的漫畫作品。讓...
-
7. 一款免費無限制的AI視頻生成工具火了!國內無障礙訪問!附教程
人人都可以動手制作AI視頻! 打開網址https://pixverse.ai/,用郵箱注冊后,點擊右上角Create,就可以開始創(chuàng)作了。 PixVerse目前有文案生成視頻,和圖片生...
-
以下是一些免費的AI視頻制作網站或工具,幫助您制作各種類型的視頻。 1. Lumen5:Lumen5是一個基于AI的視頻制作工具,可將文本轉換為視頻。 用戶可以使...
-
9. AI顯卡繪畫排行榜:4090無懸念，最具性價比出人意料
在AI繪圖領域，Stable Diffusion的顯卡繪圖性能備受關注。本文整理了Stable Diffusion顯卡的硬件要求和性能表現(xiàn)，以及2023年3月顯卡AI繪圖效率排行榜和性價比排行榜。歡迎查看最新的AI顯卡算力排行榜。
-
就能快速生成一幅極具藝術效果的作品,讓現(xiàn)實中不懂繪畫的人也能參與其中創(chuàng)作!真的超贊噠~趣趣分享幾款超厲害的AI繪畫軟件,提供詳細操作!有需要的快來...
