Mini-Gemini:挖掘多模态视觉语言模型的潜力

RayRay
Mini-Gemini多模态视觉语言模型AI绘图大语言模型图像理解Github开源项目

Mini-Gemini:开启多模态AI新纪元

近年来,随着人工智能技术的快速发展,多模态AI模型逐渐成为研究热点。其中,能够同时处理图像和文本的视觉语言模型(Vision Language Models, VLMs)尤其引人注目。在这一背景下,来自香港中文大学和商汤科技的研究团队推出了Mini-Gemini,一个强大的多模态AI框架,能够同时进行图像理解、推理和生成。本文将详细介绍Mini-Gemini的架构、训练过程、评估结果以及使用方法,展示其在多个视觉-语言任务上的卓越表现。

Mini-Gemini架构:双视觉编码器+大语言模型

Mini-Gemini的核心架构由三个主要组件构成:

  1. 低分辨率视觉编码器:用于提取图像的全局特征
  2. 高分辨率视觉编码器:用于提取图像的局部细节特征
  3. 大语言模型(LLM):用于理解文本,并将视觉信息与语言进行融合

Mini-Gemini架构图

这种双视觉编码器设计使Mini-Gemini能够同时获取图像的全局信息和局部细节,大大提升了模型的图像理解能力。研究团队提出了"补丁信息挖掘"(Patch Info Mining)技术,在高分辨率区域和低分辨率视觉查询之间进行补丁级别的信息挖掘,进一步增强了模型的性能。

多样化的模型版本

为了适应不同的应用场景和硬件条件,研究团队提供了多个版本的Mini-Gemini模型:

  1. 基础版本:

    • MGM-2B: 基于Gemma-2B大语言模型
    • MGM-7B: 基于Vicuna-7B-v1.5大语言模型
    • MGM-13B: 基于Vicuna-13B-v1.5大语言模型
    • MGM-8B: 基于LLaMA-3-8B-Instruct大语言模型
    • MGM-8x7B: 基于Mixtral-8x7B-Instruct-v0.1大语言模型
    • MGM-34B: 基于Nous-Hermes-2-Yi-34B大语言模型
  2. 高清版本(HD):

    • MGM-7B-HD, MGM-13B-HD, MGM-8B-HD, MGM-8x7B-HD, MGM-34B-HD

这些模型在图像输入分辨率和参数规模上有所不同,用户可以根据具体需求选择合适的版本。

全面的训练数据

Mini-Gemini的训练过程分为两个阶段:特征对齐阶段和指令微调阶段。为了确保模型的多样性和泛化能力,研究团队使用了大量高质量的训练数据,包括:

  1. 预训练数据:

    • LLaVA Images
    • ALLaVA Caption
  2. 微调数据:

    • COCO, GQA, OCR-VQA, TextVQA, VisualGenome
    • ShareGPT4V-100K, LAION GPT4V
    • ALLaVA Instruction
    • DocVQA, ChartQA, DVQA, AI2D等专业领域数据集

这些数据集涵盖了广泛的图像类型和任务场景,为Mini-Gemini提供了丰富的学习材料。

卓越的评估结果

研究团队在多个具有挑战性的视觉-语言基准测试上评估了Mini-Gemini的性能,结果令人印象深刻:

  • TextVQA: MGM-34B-HD达到74.1%的准确率
  • MMB(Multi-Modal Benchmark): MGM-34B-HD达到80.6分
  • MME(Multi-Modal Evaluation): MGM-34B-HD在1659个样本中正确识别482个
  • MM-Vet: MGM-34B-HD达到59.3%的准确率
  • MMMU: MGM-34B-HD在验证集和测试集上分别达到48.0%和44.9%的准确率
  • MathVista: MGM-34B-HD达到43.3%的准确率

这些结果表明,Mini-Gemini在各种视觉-语言任务中都表现出色,特别是在处理复杂的多模态问题时更具优势。

便捷的使用方法

为了方便研究人员和开发者使用Mini-Gemini,研究团队提供了多种使用方式:

  1. 命令行推理:支持多GPU、4位和8位量化推理,可以轻松进行图像理解和生成任务。

  2. Gradio Web界面:提供了用户友好的图形界面,可以快速部署和使用Mini-Gemini。

  3. 多GPU和量化推理:对于显存较小的GPU,支持多GPU协同工作和模型量化,以降低内存占用。

这些灵活的使用选项使Mini-Gemini能够适应不同的硬件环境和应用需求。

Mini-Gemini的应用示例

Mini-Gemini在各种实际应用中展现出强大的能力:

  1. 高分辨率图像理解: 高分辨率图像理解示例

    Mini-Gemini能够准确理解复杂图像中的细节信息,回答关于图像内容的具体问题。

  2. 推理与生成: 推理与生成示例

    Mini-Gemini不仅能理解图像,还能基于图像内容进行推理和生成新的内容,如创作故事或描述场景。

这些示例充分展示了Mini-Gemini在实际应用中的灵活性和强大功能。

结语

Mini-Gemini作为一个全面的多模态AI框架,在图像理解、推理和生成方面都展现出了卓越的性能。其创新的架构设计、全面的训练数据和灵活的使用方式,使其成为视觉-语言AI研究和应用的有力工具。未来,Mini-Gemini有望在更多领域发挥重要作用,推动多模态AI技术的进一步发展。

研究团队已经开源了Mini-Gemini的代码和模型权重,欢迎感兴趣的研究者和开发者尝试使用。同时,他们也呼吁使用者遵守相关许可协议,仅将模型用于研究目的。

随着多模态AI技术的不断进步,我们可以期待看到更多像Mini-Gemini这样优秀的模型涌现,为人工智能的发展注入新的活力。

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