計算機視覺的GPT時刻，來了！

最近，來自UC伯克利的計算機視覺「三巨頭」聯(lián)手推出了第一個無自然語言的純視覺大模型（Large Vision Models），并且第一次證明了純視覺模型本身也是可擴展的（scalability）。

除此之外，研究人員還利用超過420B token的數(shù)據(jù)集讓模型可以通過上下文學(xué)習(xí)來理解并執(zhí)行下游任務(wù)，并且統(tǒng)一了圖片/視頻、有監(jiān)督/無監(jiān)督、合成/真實、2D/3D/4D等幾乎所有的數(shù)據(jù)形式。

論文地址：https://arxiv.org/abs/2312.00785

值得一提的是，讓LVM做非語言類智商測試（Raven's Progressive Matrices ）中常見的非語言推理問題，它時常能做出正確的推斷。

對此，研究人員驚喜地表示，這或許意味著LVM也展現(xiàn)出了「AGI的火花」！

純視覺模型的逆襲

現(xiàn)在，隨著大語言模型的爆發(fā)，不管是學(xué)術(shù)界還是業(yè)界，都開始嘗試使用「文本」來擴大視覺模型的規(guī)模。

包括GPT4-V在內(nèi)的SOTA模型，都是把視覺和文字組合在一起訓(xùn)練的。

以「蘋果」為例，這種方法在訓(xùn)練時不僅會給模型看「蘋果的照片」，而且還會配上文字「這是一個蘋果」。

然而，在面對更加復(fù)雜的圖片時，就很容易忽略其中大量的信息。

比如「蒙娜麗莎」應(yīng)該怎么去描述？或者擺滿各種物品的廚房的照片，也很難清晰地被描述出來。

對此，來自UC伯克利和約翰斯·霍普金斯大學(xué)的研究人員，提出了一種全新的「視覺序列」建模方法，可以在不使用任何語言數(shù)據(jù)的情況下，訓(xùn)練大規(guī)模視覺模型（Large Vision Model）。

這種名為「視覺序列」的通用格式，可以在其中表征原始圖像和視頻，以及語義分割、深度重建等帶標(biāo)注的數(shù)據(jù)源，且不需要超出像素之外的任何元知識。

一旦將如此廣泛的視覺數(shù)據(jù)（包含4200億個token）表征為序列，就可以進行模型的訓(xùn)練，讓下一個token預(yù)測的交叉熵?fù)p失最小化。

由此得到的LVM模型，不僅可以實現(xiàn)有效地擴展，完成各種各樣的視覺任務(wù)，甚至還能更進一步地涌現(xiàn)出比如數(shù)數(shù)、推理、做智力測試等能力。

左：Alexei A Efros；中：Trevor Darrell；右：Jitendra Malik

簡單來說就是，大規(guī)模視覺模型只需看圖訓(xùn)練，就能理解和處理復(fù)雜的視覺信息，完全不用依賴語言數(shù)據(jù)。

純視覺模型的擴展難題

此前，使用預(yù)訓(xùn)練模型的價值 (例如ImageNet預(yù)訓(xùn)練的 AlexNet) ，早在2015年就已經(jīng)在R-CNN中得到了證明。

從此， 它從此成為計算機視覺的標(biāo)準(zhǔn)實踐。

而自監(jiān)督預(yù)訓(xùn)練，作為一種大大增加可用于預(yù)訓(xùn)練的數(shù)據(jù)量的方法被提出。

不幸的是，這種方法并不是很成功，可能是因為當(dāng)時基于CNN的架構(gòu)沒有足夠的能力來吸收數(shù)據(jù)。

隨著Transformer的推出，其容量變得高得多，因此研究人員重新審視了自監(jiān)督預(yù)訓(xùn)練，并發(fā)現(xiàn)了基于Transformer的掩碼圖像重建方法，例如BEiT, MAE，SimMIM，它們要比基于CNN的同類方法表現(xiàn)好得多 。

然而，盡管如此，目前預(yù)訓(xùn)練的純視覺模型在擴展到真正大的數(shù)據(jù)集(例如LAION) 時，還是遇到了困難。

如何構(gòu)建「大視覺模型」

那構(gòu)建一個大規(guī)模視覺模型（Large Vision Model，LVM），需要哪些要素呢？

動物世界告訴我們，視覺能力并不依賴于語言。而許多實驗表明，非人類靈長類動物的視覺世界，和人類的極為相似。

因此，本文走在了LLaVA這種視覺-語言模型不同的方向：僅依靠像素，我們能走多遠(yuǎn)？

研究人員試圖在LVM中，模仿LLM的兩個關(guān)鍵特性：（1）在大數(shù)據(jù)環(huán)境下的擴展能力，和（2）通過提示（上下文學(xué)習(xí)）靈活地指定任務(wù)。

為了實現(xiàn)這一目標(biāo)，需要明確三個主要組件：

數(shù)據(jù)：研究人員希望，能夠充分利用視覺數(shù)據(jù)顯著的多樣性。

首先是原始的未經(jīng)標(biāo)注的圖像和視頻。接下來，研究人員計劃利用過去幾十年中產(chǎn)生的各種帶標(biāo)注的視覺數(shù)據(jù)資源，如語義分割、深度重建、關(guān)鍵點、3D物體的多個視圖等。

為此，他們定義了一種名為「視覺序列」的通用格式，來表示這些不同的標(biāo)注，而不需要任何超出像素本身的元知識。訓(xùn)練數(shù)據(jù)集總共包含1.64億張圖像/幀。

架構(gòu)：研究人員使用了一個具有30億參數(shù)的大型Transformer架構(gòu)，這個架構(gòu)在被表征為token序列的視覺數(shù)據(jù)上進行訓(xùn)練。

通過學(xué)習(xí)到的tokenizer，將每個圖像映射到一個包含256個向量量化token的字符串。

損失函數(shù)：研究人員從自然語言處理領(lǐng)域獲取了靈感，其中掩碼token模型已經(jīng)演變?yōu)轫樞蜃曰貧w預(yù)測。

一旦能夠?qū)D像/視頻/帶標(biāo)注的圖像都表征為序列，就可以訓(xùn)練模型來最小化預(yù)測下一個token的交叉熵?fù)p失。

通過這種極簡的設(shè)計，研究人員有了一些新穎的發(fā)現(xiàn)——

- 隨著模型尺寸和數(shù)據(jù)大小的增加，模型會表現(xiàn)出適當(dāng)?shù)臄U展行為。

- 通過在測試時設(shè)計合適的視覺提示，可以解決多種視覺任務(wù)。

- 大量無監(jiān)督數(shù)據(jù)，對于各種標(biāo)準(zhǔn)視覺任務(wù)性能的提升非常明顯。

- 模型在處理超出分布外數(shù)據(jù)和執(zhí)行新穎任務(wù)時，表現(xiàn)出了一般的視覺推理能力，但還需要進一步的調(diào)查研究。

數(shù)據(jù)

數(shù)據(jù)！數(shù)據(jù)！數(shù)據(jù)！沒有粘土我就做不了磚頭！

——夏洛克·福爾摩斯

任何大型預(yù)訓(xùn)練模型的關(guān)鍵，就必須接受大量數(shù)據(jù)的訓(xùn)練。

對于語言模型來說，獲得非常多樣化的大數(shù)據(jù)集，是很容易的事。

比如，流行的 CommonCrawl存儲庫，就包含掃描了整個網(wǎng)絡(luò)的2500億個網(wǎng)頁，極其多樣化，并且包括語言翻譯、問題回答等「自然演示」。

然而在計算機視覺領(lǐng)域，想要擁有同樣規(guī)模和多樣性的數(shù)據(jù)源，還差得很遠(yuǎn)。

因此，研究人員的工作核心貢獻之一，就是構(gòu)建這樣一個統(tǒng)一視覺數(shù)據(jù)集（UVDv1）。

為此，研究人員利用了許多不同的視覺數(shù)據(jù)源：（1）未標(biāo)注的圖像，（2）具有視覺標(biāo)注的圖像，（3）未標(biāo)注的視頻，（4）具有視覺標(biāo)注的視頻，（5）3D合成物體。

其中，未標(biāo)注的圖像占了總數(shù)據(jù)的80%以上，組成了大部分的視覺世界，也提供了所需的多樣性，然而代價就是，數(shù)據(jù)源質(zhì)量較低。

帶標(biāo)注的圖像分布會更受限制，但通常質(zhì)量更高。

而視頻數(shù)據(jù)則受到更多限制（一般是以人類為中心的活動），但它們卻是時態(tài)數(shù)據(jù)的寶貴來源。

3D合成對象的渲染多樣性最低，但可以提供有關(guān)3D結(jié)構(gòu)行為的寶貴提示。

而最重要的是，UVDv1是一個純粹的視覺數(shù)據(jù)集，不包含文本之類的非視覺元數(shù)據(jù)。

總之，UVDv1包含16.4億張圖像。

與LLM的另一個重要區(qū)別是，語言數(shù)據(jù)對所有數(shù)據(jù)都有一個自然的、統(tǒng)一的一維結(jié)構(gòu)——文本流。

然而不幸的是，視覺數(shù)據(jù)的情況卻并非如此，不同的來源都有不同的結(jié)構(gòu)。

因此在這項工作中，研究人員提出視覺序列，作為視覺數(shù)據(jù)的統(tǒng)一單元，這就使得他們能夠從不同的集合源，訓(xùn)練可擴展的模型。

視覺序列只是包含一個或多個圖像的序列，后面跟隨著一個句尾 (EOS) token。

圖1可以顯示出，各種數(shù)據(jù)源是如何劃分為視覺序列的。

單張圖像

單張圖像本身代表了視覺序列的最簡單形式一一{圖像，EOS}。

研究人員使用了LAION 5B數(shù)據(jù)集中14.9億張圖像的過濾子集。

這是迄今為止數(shù)據(jù)中最大的部分，占了88.5%。

圖像序列

圖像序列是視覺序列的自然形式。

研究人員通過從各種現(xiàn)有數(shù)據(jù)集中獲取視頻數(shù)據(jù)，來創(chuàng)建此類序列。

16幀的視覺序列，是通過以三個不同步長(10、20和30) 對視頻進行機采樣而形成的。

此外，研究人員利用了來自0bjaverse數(shù)據(jù)集的合成3D物體，生成了以物體為中心的多視角序列。

對于每個物體，研究人員都在物體中心和攝像機之間，采樣了一個半徑1.5到2.2的長度，并從-45度到45度采樣了一個恒定仰角，然后遍歷物體的不同視角（以15度步長和渲染24個視角的方式，改變方位角）。

通過這種方法，研究人員總共渲染了42000個這樣的序列用于訓(xùn)練，8000個序列用于測試。

最后，還可以將屬于同一語義類別的圖像表征為序列的（一部分）。

使用ImageNet中的類別，將同一類別中的圖像組（2、4、8或16個）連接成一個16幅圖像的長序列。

帶標(biāo)注的圖像

為了以統(tǒng)一的方式處理不同類型的圖像標(biāo)注，研究人員選擇將所有標(biāo)注表征為圖像。

某些數(shù)據(jù)類型，例如語義分割圖，邊緣圖，深度和普通圖像，已經(jīng)是以這種方式表征的。

對于其他數(shù)據(jù)類型，研究人員為每種特定的標(biāo)注類型，量身定制了不同方法——

1. 物體檢測：通過在每個物體周圍覆蓋顏色編碼的邊界框，來創(chuàng)建標(biāo)注。

2. 人體姿態(tài)：利用MMPose，遵循OpenPose格式，在像素空間中渲染人體骨骼。

3. 深度估計、表面法線和邊緣檢測：對于給定的ImageNet和COCO圖像，按照特定協(xié)議生成標(biāo)注。

4. 風(fēng)格遷移、除雨、去噪、弱光增強和立體數(shù)據(jù)集：這些都表征為圖像對的形式(例如輸入/輸出)。

5. 著色：將ImageNet圖像轉(zhuǎn)換為灰度圖像，生成圖像對。

6. 修復(fù)：在圖像中隨機添加黑色框來模擬損壞，從而產(chǎn)生圖像對。

對于上述所有標(biāo)注類型，可以通過將相同標(biāo)注類型的8個圖像對，連接成16個圖像的視覺序列，來創(chuàng)建視覺序列。

對于包含同一圖像的k個不同標(biāo)注的數(shù)據(jù)集，使用不同的方法: 對于每組1+k 個圖像 (輸入多于k的標(biāo)注)，然后隨機選擇m個元素，其中m≤n+1≤16。然后將這些m元組連接起來，形成視覺序列。

帶標(biāo)注的圖像序列

在將帶標(biāo)注的視頻數(shù)據(jù)（VIPSeg、Hand14K、AVA、JHMDB）轉(zhuǎn)換為視覺序列時，采用了兩種互補策略。

第一種策略類似于處理成對標(biāo)注圖像數(shù)據(jù)的方法：每個視覺序列都是通過將幀與它們的標(biāo)注連接起來而構(gòu)建的——{frame1,annot1,frame2,annot2,...}。

第二種方法是將多個幀與相應(yīng)的標(biāo)注{frame1,frame2,annot1,annot2,...}進行分組。

實現(xiàn)方法

與天然展現(xiàn)離散序列結(jié)構(gòu)的文本數(shù)據(jù)不同，將圖像像素建模為視覺序列并不直觀。在這項工作中，研究人員采取了一個兩階段方法：

1. 訓(xùn)練一個大型視覺tokenizer（對單個圖像操作）將每個圖像轉(zhuǎn)換成一系列視覺token；

2. 在視覺序列上訓(xùn)練一個自回歸Transformer模型，每個序列都表示為一系列token。

圖像分詞（Image Tokenization）

雖然視覺序列在連續(xù)圖像之間展現(xiàn)出了序列結(jié)構(gòu)，但在單個圖像內(nèi)部并沒有這樣的自然序列結(jié)構(gòu)。

因此，為了將Transformer模型應(yīng)用于圖像，先前的工作通常采用以下方法：要么按掃描線順序?qū)D像分割成補丁，并將其視為一個序列，要么使用預(yù)訓(xùn)練的圖像tokenizer，例如VQVAE或VQGAN ，將圖像特征聚類成一格一格的離散token，然后再按掃描線順序?qū)⑦@些token轉(zhuǎn)換成序列。

研究人員采用后一種方法，因為模型的離散分類輸出自然形成了一個可以輕松采樣的概率分布，使得在視覺序列中靈活生成新圖像成為可能。

具體來說，研究人員使用了VQGAN模型生成的語義token。該框架包括編碼和解碼機制，特點是一個量化層，將輸入圖像分配給一個已建立代碼本的離散token序列。

編碼器和解碼器完全由卷積層構(gòu)成。編碼器配備了多個下采樣模塊，以壓縮輸入的空間維度，而解碼器則配備了等量的上采樣模塊，以恢復(fù)圖像到其初始大小。

對于給定的圖像，研究人員的VQGAN的tokenizer產(chǎn)生256個離散token。

需要注意的是，研究人員的tokenizer獨立地對單個圖像進行操作，而不是一次性處理整個視覺序列。

這種獨立性允許研究人員將tokenizer訓(xùn)練與下游Transformer模型分離，這樣tokenizer就可以在單圖像數(shù)據(jù)集上進行訓(xùn)練，而無需考慮視覺序列的分布。

實現(xiàn)細(xì)節(jié)：研究人員采用了現(xiàn)成VQGAN架構(gòu)。其中使用了f=16的下采樣因子和8192大小的代碼本。這意味著對于一個大小為256×256的圖像，研究人員的VQGAN的tokenizer產(chǎn)生16×16=256個token，其中每個token可以取8192個不同的值。

研究人員發(fā)現(xiàn)使用ImageNet預(yù)訓(xùn)練的tokenizer在ImageNet圖像之外并不具有很好的泛化性能。因此，研究人員在LAION 5B數(shù)據(jù)集的1.5B子集上訓(xùn)練他們自己的tokenizer。

視覺序列的序列建模

使用VQGAN將圖像轉(zhuǎn)換成離散token后，研究人員通過將多個圖像的離散token連接成一個1D序列，將視覺序列視為一個統(tǒng)一的序列。

重要的是，研究人員平等對待所有視覺序列——研究人員不使用任何特殊token來指示特定任務(wù)或格式。

研究人員使用交叉熵?fù)p失訓(xùn)練一個因果Transformer模型，其目標(biāo)是預(yù)測下一個token，類似于語言模型的標(biāo)準(zhǔn)方法。用相同的方式訓(xùn)練模型來處理所有視覺序列，使模型能夠從上下文而不是從特定于任務(wù)或格式的token中推斷出圖像之間的關(guān)系。這使得模型有機會推廣到其他未見過的視覺序列結(jié)構(gòu)。

實現(xiàn)細(xì)節(jié)：研究人員將視覺序列中的每個圖像分詞成256個token，然后將它們連接成一個1Dtoken序列。

在視覺token序列的基礎(chǔ)上，研究人員的Transformer模型幾乎與自回歸語言模型相同，因此研究人員采用了LLaMA 的Transformer架構(gòu)。

研究人員使用4096 token的上下文長度，可以適應(yīng)研究人員VQGAN tokenizer下的16幅圖像。

類似于語言模型，研究人員在每個視覺序列的開頭添加一個[BOS]（序列開始）token，在末尾添加一個[EOS]（序列結(jié)束）token，并在訓(xùn)練時使用序列連接（sequence concatenation）來提高效率。

研究人員在整個UVDv1數(shù)據(jù)集（4200億token）上訓(xùn)練研究人員的模型，使用一個周期（在語言模型中使用簡單周期訓(xùn)練，以避免潛在的過擬合）。

研究人員訓(xùn)練了4種不同參數(shù)數(shù)量的模型：3億、6億、10億和30億，遵循相同的訓(xùn)練配置。

通過視覺提示進行推理

由于研究人員模型中的自回歸Transformer輸出了基于先前token的下一個token的概率分布，研究人員可以輕松地從這個分布中抽樣，生成完成視覺序列的新視覺token。

要將模型用于下游任務(wù)，可以在測試時構(gòu)建定義任務(wù)的部分視覺序列，并應(yīng)用模型生成輸出。這類似于語言模型中的上下文學(xué)習(xí)或計算機視覺中的視覺提示。

實驗結(jié)果與分析

最后，研究人員評估了模型的擴展能力，以及它理解和回答各種提示任務(wù)的能力。

可擴展性

研究人員研究了研究人員的模型在訓(xùn)練損失和下游任務(wù)性能方面的擴展行為，隨著模型大小的增加以及訓(xùn)練過程中看到的token數(shù)量的增加。

訓(xùn)練損失。首先，研究人員檢查了不同參數(shù)大小的LVM的訓(xùn)練損失，見下圖。

由于研究人員的所有模型僅在數(shù)據(jù)集上訓(xùn)練了一個epoch，因此模型只看到每個數(shù)據(jù)樣本一次，因此在訓(xùn)練過程中的任何時候的訓(xùn)練損失與驗證損失非常相似。

可以觀察到隨著訓(xùn)練的進行：

1. 不同大小模型的訓(xùn)練損失（困惑度）持續(xù)下降；

2. 隨著模型規(guī)模（參數(shù)計數(shù)）的增加，損失下降得更快。這些觀察表明，LVM在更大的模型和更多數(shù)據(jù)方面顯示出強大的可擴展性。

雖然LVM在訓(xùn)練過程中整體損失良好地擴展，但并不能保證更好的整體模型也會在特定的下游任務(wù)上表現(xiàn)更好。

因此，研究人員在4個下游任務(wù)上評估不同大小的模型：語義分割、深度估計、表面法線估計和邊緣檢測。研究人員在ImageNet驗證集上評估這些任務(wù)。

對于每個任務(wù)，研究人員給出5對輸入和相應(yīng)真實標(biāo)注以及作為輸入提示的查詢圖像，并評估研究人員模型對下一個256個token（一幅圖像）的真實標(biāo)注的困惑度預(yù)測。

下圖中，研究人員展示了，更大的模型確實在所有任務(wù)上獲得了更低的困惑度，展示了研究人員的可擴展整體性能確實轉(zhuǎn)化為一系列下游任務(wù)。

雖然LVM在更大的模型和更多數(shù)據(jù)上獲得了更好的性能，但很自然地一個問題是，在UVDv1中收集的每個數(shù)據(jù)組件是否有幫助。

為了回答這個問題，研究人員在研究人員的數(shù)據(jù)集上對幾個3B模型進行了消融研究，這些模型是在研究人員數(shù)據(jù)集的子集上訓(xùn)練的，并比較了它們在下游任務(wù)上的表現(xiàn)。

研究人員使用之前相同的4個下游任務(wù)和設(shè)置，并在下圖中展示了結(jié)果。

研究人員觀察到，每個數(shù)據(jù)組件對下游任務(wù)都有積極的貢獻。LVM不僅從更大的數(shù)據(jù)中受益，而且隨著數(shù)據(jù)集中的多樣性（包括標(biāo)注和無監(jiān)督的圖像和視頻數(shù)據(jù)）的增加而改進。

順序提示

研究人員首先采用最直觀、最簡單的方法來對LVM進行視覺提示：順序推理。在這里，提示構(gòu)建非常簡單：研究人員向模型展示7幅圖像的序列，并要求它預(yù)測下一幅圖像（256個token）。

對于順序提示來說，最直接的任務(wù)是視頻預(yù)測。下圖展示了從Kinetics-700驗證集序列中提示的幾個下一幀預(yù)測示例。

在頂部示例中，7幀提示（藍(lán)色邊框）后跟著預(yù)測的幀（紅色邊框）。研究人員觀察到在空間定位、視點和對象理解方面有一定程度的推理能力。在Kinetics驗證集上預(yù)測的困惑度為49.8。

下面示例顯示了具有更長上下文（15幀）和更長預(yù)測（4幀）的預(yù)測。

同樣類型的簡單順序提示也可以用其他方式使用。例如，下圖顯示了如何通過提示模型一個圍繞任意軸的合成對象的3D旋轉(zhuǎn)序列，使其能夠預(yù)測更進一步的旋轉(zhuǎn)。

或者研究人員可以將給定類別的物品列表視為一個序列，并預(yù)測該類別中的其他想法，如下圖所示。

值得注意的是，雖然該系統(tǒng)在訓(xùn)練時是在同一ImageNet類別的圖像組上訓(xùn)練的，但這里的提示包括素描，這些素描在任何標(biāo)注數(shù)據(jù)中都沒有出現(xiàn)過。

接下來，研究人員研究了準(zhǔn)確預(yù)測后續(xù)幀需要多少時序上下文。

研究人員評估了模型在不同長度（1到15幀）上下文提示下的幀生成困惑度。下圖所示，在Kinetics-700驗證集上，從1到11幀困惑度明顯改善后穩(wěn)定下來（從62.1 → 48.4）。

類比提示

研究人員的研究通過評估一個更復(fù)雜的提示結(jié)構(gòu)來進展，研究人員稱之為「類比提示（Analogy Prompting）」。這種方法挑戰(zhàn)模型理解任意長度和復(fù)雜度的類比，從而測試它的高級解釋能力。

下圖展示了在多個任務(wù)上使用類比提示的定性結(jié)果樣本。提示包括14幅圖像的序列，給出各種任務(wù)的示例，然后是第15幅查詢圖像。給定每個提示，預(yù)測的下一幅圖像。

圖的上部展示了幾個定義訓(xùn)練集中任務(wù)的示例提示（但這些實際圖像從未在訓(xùn)練中見過）。圖的下部展示了在訓(xùn)練中從未展示過的任務(wù)的泛化。

研究人員展示了在Pascal 3D+ 上對關(guān)鍵點檢測的結(jié)果，使用標(biāo)準(zhǔn)的正確關(guān)鍵點百分比（PCK）度量，閾值為0.1。值得注意的是，LVM在未對此數(shù)據(jù)集進行訓(xùn)練的情況下達(dá)到了81.2的PCK，顯示出了令人印象深刻的泛化能力。

相比之下，研究人員展示了一些現(xiàn)有的特定任務(wù)模型：StackedHourglass的PCK為68.0，MSS-Net達(dá)到了68.9 PCK，StarMap則有78.6 PCK。

與視覺提示的比較

與研究人員的方法最接近的，也允許定義任意任務(wù)的方法是視覺提示。在下表中，研究人員比較了幾種視覺提示模型在少量樣本分割、對象檢測和著色任務(wù)上的表現(xiàn)。研究人員的順序LVM在幾乎所有任務(wù)上都超過了之前的方法。

任務(wù)組合

下圖演示了在單個提示中組合多個任務(wù)。研究人員展示了旋轉(zhuǎn)任務(wù)與新的關(guān)鍵點對應(yīng)任務(wù)，并要求模型繼續(xù)這種模式。模型能夠在測試時成功地組合這兩個任務(wù)，顯示出一定程度的組合性。

其他類型的提示

研究人員人員嘗試他們是否可以通過向模型提供它以前沒有見過的各種提示，看看模型能走到哪一步。

下圖展示了一些這樣的提示，效果很不錯。

下圖展示了一些不容易用語言描述的提示——這是LVM可能最終勝過LLM的任務(wù)類型。