代碼、模型全開源！賈佳亞團(tuán)隊(duì)多模態(tài)模型 Mini-Gemini登上熱榜

　　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(jī)，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(gè)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(yè)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(duì)話。這一功能使得Mini-Gemini在實(shí)際應(yīng)用場(chǎng)景中表現(xiàn)出色，尤其是在需要對(duì)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(duì)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(duì)比。

　　此外，Mini-Gemini在保留圖像理解和推理能力的同時(shí)，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(gè)毛線團(tuán)能做什么時(shí)，Mini-Gemini不僅能識(shí)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(duì)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(gè)低分辨率Query對(duì)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(gè)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(duì)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。