看看這張圖中有幾個(gè)房子？如果你回答3個(gè)，就和GPT-4V的答案一樣。

但是最新開源的國產(chǎn)多模態(tài)模型CogVLM-17B，就能看出另有玄機(jī)。

甚至能區(qū)分在圖中完整可見的有3個(gè)和部分可見的有1個(gè)。

CogVLM由清華和智譜AI合作開發(fā)，通訊作者為唐杰和丁銘，論文和開源代碼已上傳到GitHub。

除這個(gè)單獨(dú)案例之外，CogVLM-17B還在10項(xiàng)權(quán)威跨模態(tài)基準(zhǔn)上取得了SOTA性能。

另外在VQAv2, OKVQA, TextVQA, COCO captioning取得第二，超越或匹配谷歌的PaLI-X 55B。

與之前的開源多模態(tài)大模型相比，可以算是14邊形戰(zhàn)士。

雷達(dá)圖中包含13個(gè)基準(zhǔn)，最后一個(gè)TDIUC單獨(dú)展現(xiàn)。

CogVLM可以回答各種類型的視覺問題，比如從馬斯克的陰陽怪氣中推理出小扎假裝去旅行了，回避約架。

認(rèn)出照片中的C羅，并回答他在2018年世界杯中有多少進(jìn)球。

帶圖的編程題也能給出代碼了。

甚至能完成復(fù)雜的目標(biāo)檢測，并打上標(biāo)簽，自動數(shù)據(jù)標(biāo)注成了。

從淺層對齊到深度融合

CogVLM模型包含4個(gè)基本組件

• ViT編碼器
• MLP適配器
• 大型預(yù)訓(xùn)練語言模型
• 視覺專家模塊

其中，每層中都添加了可訓(xùn)練的視覺專家模塊，以實(shí)現(xiàn)圖像特征和文本特征的深度對齊，而不會犧牲任何NLP任務(wù)的性能。

之前主流的淺層對齊方法，如BLIP-2，圖像特征和語言模型之間缺乏深度融合,導(dǎo)致性能不佳。

但微調(diào)語言模型的全部參數(shù)又會損害其NLP能力。

CogVLM的方法可以說是改變了視覺語言模型的訓(xùn)練范式，從淺層對齊轉(zhuǎn)向深度融合。

另外值得注意的是，CogVLM訓(xùn)練數(shù)據(jù)中沒有專門的OCR數(shù)據(jù)，但表現(xiàn)出了很強(qiáng)的文字識別能力。

CogVLM開源并給出了在線試玩。

不過目前僅支持英文，后續(xù)會提供中英雙語版本支持，可以持續(xù)關(guān)注。

試玩地址：http://36.103.203.44:7861

開源及論文地址：https://github.com/THUDM/CogVLM