湖北日報訊（通訊員汪偉頲、高翔）近日，華中科技大學軟件學院白翔教授領銜的VLRLab團隊發佈了多模態大模型——「Monkey」。該模型能夠實現對世界的「觀察」，對圖片進行深入的問答交流和精確描述。
圖為團隊將Monkey代碼在全球最大的代碼託管服務平台GitHub上開源
多模態大模型是一類可以同時處理和整合多種感知數據（例如文本、圖像、音頻等）的AI架構，近年來在眾多場景中展現了驚人的能力。Monkey模型在18個數據集上的實驗中表現出色，特別是在圖像描述和視覺問答任務方面，超越了眾多現有知名的模型如微軟的LLAVA、谷歌的PALM-E、阿里的Mplug-owl等。此外，Monkey在文本密集的問答任務中顯示出顯著的優勢，甚至在某些樣本上超越了業界公認的領先者——OpenAI的多模態大模型GPT-4V。
Monkey的一個顯著特點是其出色的「看圖說話」能力。在詳細描述任務中，Monkey展現了對圖像細節的感知能力，能夠察覺到其他多模態大模型所忽略的內容。如對下圖進行的文本描述中，Monkey正確地將其識別為埃菲爾鐵塔的繪畫，並提供了構圖和配色方案的詳細描述。而對左下角的文字，只有Monkey和GPT-4V能將其準確地識別為作者名。
這樣驚人的描述能力是怎麼做到的？目前，幾乎所有多模態大模型都需要運用網上爬取的圖文對數據集，這些數據集只能進行簡單的圖文描述，無法滿足大分辨率圖片的需求。Monkey巧妙利用現有的工具構建了一種多層級的描述生成方法，即通過五個步驟依次對圖片進行整體簡述、空間定位、模塊化識別、描述賦分選取和最終總結，此舉可以充分結合不同工具的特性，打出一套威力十足的「組合拳」，大幅度提升描述的準確性和豐富程度。「一個個工具就好比不同的零件，合理的排列組合才能使其發揮最大作用，」白翔教授說，「我們團隊從2003年開始便從事圖像識別研究，去年我們又從海外引進了專攻多模態大模型的青年人才，Monkey的最終方案是大家一起反覆討論，嘗試了10餘種方案後最終確定的。」白翔教授說。
Monkey的另一亮點是能夠處理分辨率高達1344×896像素的圖像，這是目前其他多模態大模型所能處理的最大尺寸的6倍。這意味着Monkey能對更大尺寸的圖片進行更準確、豐富、細緻的描述甚至推理。
據了解，目前業內能處理的圖片最大分辨率為448×448像素。而想要進一步提升處理能力，需要投入十分高昂的算力成本。如何更低成本擴大輸入分辨率？該團隊骨幹青年教師劉禹良介紹，團隊採用了創新性的「裁剪」方法，將原始輸入圖片分割成多個塊，每塊尺寸小於448×448像素，並為每個塊配備了一個「放大鏡」，放到合適的位置可以「看」清更多細節。多個「放大鏡」同時工作，分別「放大」不同的圖片塊，就能提取更多局部特徵。
「未來，我們希望Monkey更強大，真正成為神通廣大的『孫悟空』！」對這「只」小猴子，白翔教授信心滿滿。
湖北日報客戶端，關注湖北及天下大事，不僅為用戶推送權威的政策解讀、新鮮的熱點資訊、實用的便民信息，還推出了掌上讀報、報料、學習、在線互動等系列特色功能。
