在GPT-4的发布时大家就想迫不及待的想体验,同样的MiniGPT-4也随着GPT-4而上线,而且功能也丝毫不逊色于前者,其中识图并且指出图中的问题已经做到很大的改善,还能根据随手画的图做出网站代码,这些都是AI人工智能不断的学习所掌握的特点,同样的问题GPT-4能够给出很多种解决办法,后者的MiniGPT-4在前者功能的基础上有着很大的提升,这也是提供图像以及问题有着更多的解决办法的所在。
GPT-4 已经发布一个多月了,但识图功能还是体验不了。来自阿卜杜拉国王科技大学的研究者推出了类似产品 ——MiniGPT-4,大家可以上手体验了。
对人类来说,理解一张图的信息,不过是一件微不足道的小事,人类几乎不用思考,就能随口说出图片的含义。就像下图,手机插入的充电器多少有点不合适。人类一眼就能看出问题所在,但对 AI 来说,难度还是非常大的。
![](/uploads/allimg/230620/3-230620143347.jpg)
GPT-4 的出现,开始让这些问题变得简单,它能很快的指出图中问题所在:VGA 线充 iPhone。
其实 GPT-4 的魅力远不及此,更炸场的是利用手绘草图直接生成网站,在草稿纸上画一个潦草的示意图,拍张照片,然后发给 GPT-4,让它按照示意图写网站代码,嗖嗖的,GPT-4 就把网页代码写出来了。
但遗憾的是,GPT-4 这一功能目前仍未向公众开放,想要上手体验也无从谈起。不过,已经有人等不及了,来自阿卜杜拉国王科技大学(KAUST)的团队上手开发了一个 GPT-4 的类似产品 ——MiniGPT-4。团队研究人员包括朱德尧、陈军、沈晓倩、李祥、Mohamed H. Elhoseiny,他们均来自 KAUST 的 Vision-CAIR 课题组。
![](/uploads/allimg/230620/3-230620143348.jpg)
MiniGPT-4 展示了许多类似于 GPT-4 的能力,例如生成详细的图像描述并从手写草稿创建网站。此外,作者还观察到 MiniGPT-4 的其他新兴能力,包括根据给定的图像创作故事和诗歌,提供解决图像中显示的问题的解决方案,根据食品照片教用户如何烹饪等。
MiniGPT-4 看图说话不在话下
MiniGPT-4 效果到底如何呢?我们先从几个示例来说明。此外,为了更好的体验 MiniGPT-4,建议使用英文输入进行测试。
首先考察一下 MiniGPT-4 对图片的描述能力。对于左边的图,MiniGPT-4 给出的回答大致为「图片描述的是生长在冰冻湖上的一株仙人掌。仙人掌周围有巨大的冰晶,远处还有白雪皑皑的山峰……」假如你接着询问这种景象能够发生在现实世界中吗?MiniGPT-4 给出的回答是这张图像在现实世界并不常见,并给出了原因。
![](/uploads/allimg/230620/3-230620143348-50.jpg)
接着,在来看看 MiniGPT-4 图片问答能力。问:「这棵植物出现了什么问题?我该怎么办?」MiniGPT-4 不但指出了问题所在,表示带有棕色斑点的树叶可能由真菌感染引起,并给出了治疗步骤:
![](/uploads/allimg/230620/3-230620143349.jpg)
几个示例看下来,MiniGPT-4 看图聊天的功能已经非常强大了。不仅如此,MiniGPT-4 还能从草图创建网站。例如让 MiniGPT-4 按照左边的草稿图绘制出网页,收到指令后,MiniGPT-4 给出对应的 HTML 代码,按照要求给出了相应网站:
![](/uploads/allimg/230620/3-230620143350.jpg)
借助 MiniGPT-4,给图片写广告语也变得非常简单。要求 MiniGPT-4 给左边的杯子写广告文案。MiniGPT-4 精准的指出了杯子上有嗜睡猫图案,非常适合咖啡爱好者以及猫爱好者使用,还指出了杯子的材质等等:
![](/uploads/allimg/230620/3-230620143350-50.jpg)
MiniGPT-4 还能对着一张图片生成菜谱,变身厨房小能手:
![](/uploads/allimg/230620/3-230620143351.jpg)
解释广为流传的梗图:
![](/uploads/allimg/230620/3-230620143351-50.jpg)
根据图片写诗:
![](/uploads/allimg/230620/3-230620143352.jpg)
此外,值得一提的是,MiniGPT-4 Demo 已经开放,在线可玩,大家可以亲自体验一番(建议使用英文测试):
![](/uploads/allimg/230620/3-230620143353.jpg)
项目一经发布,便引起网友广泛关注。例如让 MiniGPT-4 解释一下图中的物体:
![](/uploads/allimg/230620/3-230620143354.jpg)
下面还有更多网友的测试体验:
![](/uploads/allimg/230620/3-230620143355.jpg)
方法简介
作者认为 GPT-4 拥有先进的大型语言模型(LLM)是其具有先进的多模态生成能力的主要原因。为了研究这一现象,作者提出了 MiniGPT-4,它使用一个投影层将一个冻结的视觉编码器和一个冻结的 LLM(Vicuna)对齐。
MiniGPT-4 由一个预训练的 ViT 和 Q-Former 视觉编码器、一个单独的线性投影层和一个先进的 Vicuna 大型语言模型组成。MiniGPT-4 只需要训练线性层,用来将视觉特征与 Vicuna 对齐。
![](/uploads/allimg/230620/3-230620143356.jpg)
MiniGPT-4 进行了两个阶段的训练。第一个传统的预训练阶段使用大约 5 百万对齐的图像文本对,在 4 个 A100 GPU 上使用 10 小时进行训练。第一阶段后,Vicuna 能够理解图像。但是 Vicuna 文字生成能力受到了很大的影响。
为了解决这个问题并提高可用性,研究者提出了一种新颖的方式,通过模型本身和 ChatGPT 一起创建高质量的图像文本对。基于此,该研究创建了一个小而高质量的数据集(总共 3500 对)。
第二个微调阶段使用对话模板在此数据集上进行训练,以显著提高其生成可靠性和整体可用性。这个阶段具有高效的计算能力,只需要一张 A100GPU 大约 7 分钟即可完成。
同样在AI智能化发展的今天,AI能有如此的发展都离不开研究人员背后多少次的尝试和多次的实验数据报告,而且使用了开源代码库在后续中GPT-4在出现问题时也能做出相对应的调整,GPT-4拥有先进的语言模型都是无数智慧研究者辛苦的结晶,以此为基础才有更加高级的产品体现在大众的视野下,才有更多的人清楚懂得AI人工智能所带的便捷,虽然人能够很轻松的做到想要的动作,而AJ人工智能能够复制人的更多种动作,从而选择最佳最优良的方案,这也是人所不能察觉的点,所以人工智能被做出来也是能够更好的服务人,造福人,体验GPT-4的功能,能感受到他不仅仅能回复你所提出的问题,同样的他能根据你随手画出的草图搭建出网页代码,这也是AL人工智能的强大之处。