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

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