多模態(tài)王炸大模型GPT-4V，166頁“說明書”重磅發(fā)布！而且還是微軟團隊出品。

什么樣的論文，能寫出166頁？

不僅詳細測評了GPT-4V在十大任務(wù)上的表現(xiàn)，從基礎(chǔ)的圖像識別、到復(fù)雜的邏輯推理都有展示；

還傳授了一整套多模態(tài)大模型提示詞使用技巧——

回答專業(yè)程度一看就懂，屬實是把GPT-4V的使用門檻打到不存在了。

值得一提的是，這篇論文的作者也是“全華班”，7名作者全部是華人，領(lǐng)銜的是一位在微軟工作了17年的女性首席研究經(jīng)理。

在166頁報告發(fā)布前，他們還參與了OpenAI最新DALL·E 3的研究，對這個領(lǐng)域了解頗深。

相比OpenAI的18頁GPT-4V論文，這篇166頁“食用指南”一發(fā)布，立刻被奉為GPT-4V用戶必讀之物：

有網(wǎng)友感慨：這哪里是論文，這簡直快成一本166頁的小書了。

還有網(wǎng)友看完已經(jīng)感到慌了：

不要只看GPT-4V的回答細節(jié)，我真的對AI展現(xiàn)出來的潛在能力感到害怕。

所以，微軟這篇“論文”究竟講了啥，又展現(xiàn)出了GPT-4V的哪些“潛力”？

微軟166頁報告講了啥？

這篇論文鉆研GPT-4V的方法，核心就靠一個字——“試”。

微軟研究員們設(shè)計了涵蓋多個領(lǐng)域的一系列輸入，將它們喂給GPT-4V，并觀察和記錄GPT-4V的輸出。

隨后，他們對GPT-4V完成各類任務(wù)的能力進行評估，還給出了使用GPT-4V的新提示詞技巧，具體包括4大方面：

1、GPT-4V的用法：

5種使用方式：輸入圖像（images）、子圖像（sub-images）、文本（texts）、場景文本（scene texts）和視覺指針（visual pointers）。

3種支持的能力：指令遵循（instruction following）、思維鏈（chain-of-thoughts）、上下文少樣本學(xué)習(xí)（in-context few-shot learning）。

例如這是基于思維鏈變更提問方式后，GPT-4V展現(xiàn)出的指令遵循能力：

2、GPT-4V在10大任務(wù)中的表現(xiàn)：

開放世界視覺理解（open-world visual understanding）、視覺描述（visual description）、多模態(tài)知識（multimodal knowledge）、常識（commonsense）、場景文本理解（scene text understandin）、文檔推理（document reasoning）、寫代碼（coding）、時間推理（temporal reasonin）、抽象推理（abstract reasoning）、情感理解（emotion understanding）

其中就包括這種，需要一些智商才能做出來的“圖像推理題”：

3、類GPT-4V多模態(tài)大模型的提示詞技巧：

提出了一種新的多模態(tài)提示詞技巧“視覺參考提示”（visual referring prompting），可以通過直接編輯輸入圖像來指示感興趣的任務(wù)，并結(jié)合其他提示詞技巧使用。

4、多模態(tài)大模型的研究&落地潛力：

預(yù)測了多模態(tài)學(xué)習(xí)研究人員應(yīng)該關(guān)注的2類領(lǐng)域，包括落地（潛在應(yīng)用場景）和研究方向。

例如這是研究人員發(fā)現(xiàn)的GPT-4V可用場景之一——故障檢測：

但無論是新的提示詞技巧、還是GPT-4V的應(yīng)用場景，大伙兒最關(guān)注的還是GPT-4V的真正實力。

所以，這份“說明書”隨后用了150多頁來展示各種demo，詳細劇透了GPT-4V在面對不同回答時展現(xiàn)出的能力。

一起來看看GPT-4V如今的多模態(tài)能力進化到哪一步了。

精通專業(yè)領(lǐng)域圖像，還能現(xiàn)學(xué)知識

圖像識別

最基礎(chǔ)的識別自然是不在話下，比如科技、體育界以及娛樂圈的各路名人：

而且不僅能看出這些人是誰，還能解讀他們正在做什么，比如下圖中老黃正在介紹英偉達新推出的顯卡產(chǎn)品。

除了人物，地標建筑對于GPT-4V來說同樣是小菜一碟，不僅能判斷名稱和所在地，還能給出詳細的介紹。

△左：紐約時代廣場，右：京都金閣寺

不過越是有名的人和地點，判斷起來也就越容易，所以要難度更大的圖才能展現(xiàn)GPT-4V的能力。

比如醫(yī)學(xué)影像，針對下面這張肺部CT，GPT-4V給出了這樣的結(jié)論：

雙肺多個區(qū)域存在實變和磨玻璃混濁，肺部可能存在感染或炎癥。右肺上葉也可能有腫塊或結(jié)節(jié)。

甚至不告訴GPT-4V影像的種類和位置，它自己也能判斷。

這張圖中，GPT-4V成功識別出了這是一張腦部的核磁共振（MRI）影像。

同時，GPT-4V還發(fā)現(xiàn)存在大量積液，認為很可能是高級別腦膠質(zhì)瘤。

經(jīng)過專業(yè)人士判斷，GPT-4V給出的結(jié)論完全正確。

除了這些“正經(jīng)”的內(nèi)容之外，當代人類社會的“非物質(zhì)文化遺產(chǎn)”表情包也被GPT-4V給拿捏了。

△機器翻譯，僅供參考

不僅是解讀表情包中的梗，真實世界中人類的表情所表達的情感也能被GPT-4看穿。

除了這些真·圖像之外，文本識別也是機器視覺中的一項重要任務(wù)。

這方面，GPT-4V除了可以識別拉丁文字拼寫的語言之外，中文、日文、希臘文等其他文字也都認識。

甚至是手寫的數(shù)學(xué)公式：

圖像推理

前面展示的DEMO，無論多么專業(yè)或多么難懂，都還停留在識別的范疇，但這只是GPT-4V技能的冰山一角。

除了看懂圖片中的內(nèi)容，GPT-4V還具有一定的推理能力。

簡單一些的，GPT-4V可以發(fā)現(xiàn)兩張圖中的不同（雖然還有些錯誤）。

下面的一組圖中，王冠和蝴蝶結(jié)的區(qū)別都被GPT-4V發(fā)現(xiàn)了。

如果加大難度，GPT-4V還能解決IQ測試當中的圖形問題。

上面的這三道題中的特征或邏輯關(guān)系都還比較簡單，但接下來就要上難度了：

當然難度不是在于圖形本身，注意圖中的第4條文字說明，原題目中圖形的排列方式不是圖中展示的樣子。

圖片標注

除了用文本回答各種問題，GPT-4V還可以在圖片中執(zhí)行一系列操作。

比如我們手里有一張四位AI巨頭的合影，要GPT-4V框出其中的人物并標注他們的姓名和簡介。

GPT-4V先是用文本回答了這些問題，緊接著便給出了處理之后的圖片：

動態(tài)內(nèi)容分析

除了這些靜態(tài)內(nèi)容，GPT-4V還能做動態(tài)分析，不過不是直接喂給模型一段視頻。

下面的五張圖是從一段制作壽司的教程視頻中截取的，GPT-4V的任務(wù)是（在理解內(nèi)容的基礎(chǔ)上）推測這些圖片出現(xiàn)的順序。

而針對同一系列的圖片，可能會有不同的理解方式，這是GPT-4V會結(jié)合文本提示進行判斷。

比如下面的一組圖中，人的動作究竟是開門還是關(guān)門，會導(dǎo)致排序結(jié)果截然相反。

當然，通過多張圖片中人物狀態(tài)的變化，還可以推測出他們正在做的事情。

甚至是預(yù)測接下來會發(fā)生什么：

“現(xiàn)場學(xué)習(xí)”

GPT-4V不僅視覺本領(lǐng)強，關(guān)鍵是還能現(xiàn)學(xué)現(xiàn)賣。

還是舉個例子，讓GPT-4V讀汽車儀表盤，一開始得出的答案是錯誤的：

緊接著把方法用文字交給GPT-4V，但這是的答案依然不對：

然后又把例子展示給GPT-4V，答案倒是有樣學(xué)樣，可惜數(shù)字是胡編亂造出來的。

只有一個例子的確是有點少，不過隨著樣本數(shù)量的提高（其實只多了一個），終于功夫不負有心人，GPT-4V給出了正確答案。

GPT-4V的效果就展示這么多，當然它還支持更多的領(lǐng)域和任務(wù)，這里無法一一展示，感興趣的話可以閱讀原始報告。

那么，GPT-4V這些神器的效果背后，是怎樣的一個團隊呢？

清華校友領(lǐng)銜

這篇論文的作者一共有7位，均為華人，其中6位是核心作者。

項目領(lǐng)銜作者Lijuan Wang，是微軟云計算與AI首席研究經(jīng)理。

她本科畢業(yè)于華中科技大學(xué)，在中國清華大學(xué)獲得博士學(xué)位，于2006年加入微軟亞洲研究院，并于2016年加入位于雷德蒙德的微軟研究院。

她的研究領(lǐng)域是基于多模態(tài)感知智能的深度學(xué)習(xí)和機器學(xué)習(xí)，具體又包括視覺語言模型預(yù)訓(xùn)練、圖像字幕生成、目標檢測等AI技術(shù)。

原文地址：https://arxiv.org/abs/2309.17421