CogCoM:通过链式操作深入细节的大规模视觉语言模型训练

RayRay
CogCoM视觉语言模型Chain of Manipulations多模态AI推理Github开源项目

CogCoM模型简介

CogCoM是由清华大学开发的一种新型视觉语言模型(VLM),它采用了名为"链式操作"(Chain of Manipulations, CoM)的创新方法,能够逐步解决复杂的视觉问题。这个模型展现了令人印象深刻的多模态能力,能够执行各种视觉任务,如视觉推理、目标检测、图像描述等。

CogCoM模型示例

CogCoM的关键特性

  1. 链式操作机制: CogCoM通过设计6种基本操作,使模型能够逐步解决复杂的视觉问题。这种方法允许模型在解决问题时提供证据和中间步骤。

  2. 多轮多图像架构: 模型采用了兼容典型VLM结构的多轮多图像模型架构,增强了处理复杂视觉场景的能力。

  3. 自动数据生成: 研究团队引入了一种级联数据生成流程,利用大型语言模型(LLM)和视觉基础模型(VFM)自动生成大量无错误的训练数据。

  4. 多样化能力: CogCoM具备聊天、图像描述、目标检测和推理等多种能力,展现了其作为通用视觉语言模型的潜力。

模型版本与性能

CogCoM目前提供了三个主要版本:

  1. cogcom-base-17b: 支持目标检测、OCR和CoM推理
  2. cogcom-grounding-17b: 在base版本基础上增强了目标检测能力
  3. cogcom-chat-17b: 在grounding版本基础上增加了聊天功能

这些模型在多个基准测试中都表现出色,如GQA、TallyVQA、TextVQA和ST-VQA等。例如,在GQA测试中,CogCoM达到了71.7%的准确率,显著超过了其他知名模型。

应用场景与示例

CogCoM展示了在多种多模态场景中的灵活适应能力:

  1. 证据性视觉推理: 模型能够提供推理过程和证据,使结果更具可解释性。
  2. 视觉目标检测: 精确定位图像中的特定对象。
  3. 基于目标的图像描述: 根据检测到的目标生成详细的图像描述。
  4. 图像描述: 生成整体图像的概括性描述。
  5. 多项选择问答: 回答关于图像的复杂问题。
  6. 详细描述: 提供图像中细节的深入分析。

CogCoM应用示例

技术细节与实现

硬件要求

  • 模型推理:
    • INT4量化: 1 * RTX 3090(24G)
    • FP16: 1 * A100(80G) 或 2 * RTX 3090(24G)
  • 模型微调:
    • FP16: 推荐 4 * A100(80G) 或 8 * RTX 3090(24G)

安装与使用

  1. 环境要求:

    • Python 3.11
    • CUDA >= 11.7
    • 其他依赖包(详见requirements.txt)
  2. 安装步骤:

    pip install -r requirements.txt
    python -m spacy download en_core_web_sm
    
  3. 模型下载: 可以通过Hugging Face或SAT(SwissArmyTransformer)下载模型权重。

  4. 运行demo:

    • Web Demo: 使用Gradio实现的图形界面
    • CLI Demo: 命令行交互式推理

模型微调

如果需要在特定任务或领域上微调CogCoM,可以参考finetune.shfinetune.py文件中的代码。

使用指南

任务提示词

  1. 通用多轮对话: 可以自由输入任何内容进行对话。

  2. 链式操作推理: 通过特定的启动提示词,可以显式激活CogCoM的CoM推理机制:

    Please solve the problem gradually via a chain of manipulations, where in each step you can selectively adopt one of the following manipulations GROUNDING(a phrase)->boxes, OCR(an image or a region)->texts, CROP_AND_ZOOMIN(a region on given image)->new_image, CALCULATE(a computable target)->numbers, or invent a new manipulation, if that seems helpful. {QUESTION}
    
  3. 视觉目标检测: CogCoM支持多种目标检测相关任务,包括:

    • 视觉目标检测(VG)
    • 基于目标的描述(GC)
    • 带坐标的图像描述(IDC)

开源与许可

CogCoM的代码采用Apache-2.0许可证开源,但模型权重的使用需遵守特定的模型许可

总结与展望

CogCoM作为一种新型视觉语言模型,通过创新的链式操作机制,实现了复杂视觉问题的逐步解决。它在多个基准测试中的出色表现,以及在各种多模态任务中的灵活适应性,展示了其作为通用视觉语言模型的巨大潜力。未来,随着进一步的研究和优化,CogCoM有望在更广泛的应用场景中发挥重要作用,推动视觉语言处理技术的发展。

研究者和开发者可以通过GitHub仓库(https://github.com/THUDM/CogCoM)获取更多关于CogCoM的信息、代码和资源。随着人工智能和计算机视觉技术的不断进步,我们可以期待看到更多像CogCoM这样的创新模型,为多模态智能系统的发展带来新的可能性。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多