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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多