香港中文大學(xué)終身教授賈佳亞團(tuán)隊(duì)最近推出了一款名為Mini-Gemini的多模態(tài)模型,該模型在多模態(tài)任務(wù)榜單上取得了顯著成績,其性能堪比GPT-4與DALLE3的結(jié)合。
Mini-Gemini模型以其更精確的圖像理解能力、更高質(zhì)量的訓(xùn)練數(shù)據(jù)和更強(qiáng)的圖像解析推理能力而著稱。模型能夠結(jié)合圖像推理和生成,提供了從2B到34B不同規(guī)模的版本,其中最強(qiáng)版本在多個指標(biāo)上與Google Gemini Pro和GPT-4V相比毫不遜色。
Mini-Gemini模型的代碼、模型和數(shù)據(jù)已經(jīng)全部開源,可以在Github、論文地址和模型及數(shù)據(jù)的Huggingface頁面上找到。這一開放性的舉措使得Mini-Gemini迅速登上了PaperWithCode的熱榜,受到了廣泛關(guān)注。
Mini-Gemini的圖像理解和生成能力通過Demo形式得到了展示,用戶可以在線與自定義圖像進(jìn)行對話。這一功能使得Mini-Gemini在實(shí)際應(yīng)用場景中表現(xiàn)出色,尤其是在需要對高清圖像進(jìn)行解析并用圖像形式展現(xiàn)的任務(wù)中。例如,Mini-Gemini能夠根據(jù)圖片內(nèi)容對做面包的過程進(jìn)行指導(dǎo),也能根據(jù)電腦圖片中的參數(shù)進(jìn)行準(zhǔn)確對比。
此外,Mini-Gemini在保留圖像理解和推理能力的同時,還具備了圖像生成能力,類似于ChatGPT與生成模型的結(jié)合。通過抽象的多模態(tài)指令,模型能夠進(jìn)行推理并生成合適的圖片。例如,當(dāng)用戶提出兩個毛線團(tuán)能做什么時,Mini-Gemini不僅能識別圖片內(nèi)容并給出建議,還能生成相應(yīng)的毛線小熊圖片。
Mini-Gemini的技術(shù)背后,采用了名為Gemini的視覺雙分支信息挖掘方法,通過使用卷積網(wǎng)絡(luò)(ConvNet)對高分辨率圖像進(jìn)行編碼,并利用Transformer中的Attention機(jī)制來挖掘每個低分辨率Query對應(yīng)的高分辨率區(qū)域。在圖像生成方面,Mini-Gemini結(jié)合了SDXL技術(shù),通過LLM生成的文本鏈接兩個模型,類似于DALLE3的流程。
在數(shù)據(jù)方面,Mini-Gemini通過收集和優(yōu)化訓(xùn)練數(shù)據(jù),實(shí)現(xiàn)了對圖像理解、推理和生成的統(tǒng)一流程。即使在僅使用2-3M數(shù)據(jù)的情況下,Mini-Gemini也能在各種Zero-shot榜單上與大廠使用大量數(shù)據(jù)訓(xùn)練出的模型相媲美,展現(xiàn)了其高效性和實(shí)用性。這一成果不僅為開源社區(qū)帶來了新的活力,也為多模態(tài)模型的發(fā)展和應(yīng)用開辟了新的可能性。
文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹(jǐn)慎對待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。
2024年的Adobe MAX 2024發(fā)布會上,Adobe推出了最新版本的Adobe Creative Cloud。
奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。
“以前都要去窗口辦,一套流程下來都要半個月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。
華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價比很高,簡直是創(chuàng)作者們的首選。
9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會——工業(yè)互聯(lián)網(wǎng)標(biāo)識解析專題論壇在沈陽成功舉辦。