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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多