融合 ChatGPT+DALL-E 3，香港中文大學團隊新作開源：識圖推理生圖一站解決，還有線上DEMO直接玩

把 GPT-4+Dall-E 3 能⼒整合起來的模型該有多強？

香港中文大學終身教授賈佳亞團隊提出多模態模型 Mini-Gemini：更高解析圖像的精確理解、更高品質的訓練資料、更強的圖像解析推理能力，還能結合圖像推理和生成。

Mini-Gemini 還提供了 2B 到 34B 的超大模型，最強模型在多個指標上相比 Google 的 Gemini Pro 甚至 GPT-4V 都不遑多讓。

目前，Mini-Gemini 從程式碼、模型到資料已全部開源，登上了 PaperWithCode 熱榜。

Mini-Gemini 線上 Demo 也已發佈，超會玩梗，一起來體驗下！

接近商業閉源模型水平

Mini-Gemini Demo 放出後受到廣大網友關注，一番“品嚐”後，他們認為 Mini-Gemini 跟商業模型差不了多少。

目前，絕大多數多模態模型僅支援低解析度圖像輸入和文字輸出，而在實際場景中，許多工都需要對高解析圖像進行解析，並用圖像的形式進行展現。

如下圖所示，Mini-Gemini 不僅能夠根據圖片對做面包的過程進行手把手教學，也能夠準確將不同電腦品種根據圖片中的各種參數進行對比。

有網友開玩笑說，這下媽媽不用擔心我獨自生活了。

更重要的是，Mini-Gemini 在保留超強的圖像理解和推理能力的同時，還解鎖了圖像的生成能力，就如同 ChatGPT 和生成模型的結合。

下面，讓我們通過幾個例子來更直觀地感受這種能力：

還記得 Google Gemini 的官方展示影片嗎？當使用者給出兩個毛線團並問出能用它們做什麼時，Gemini 可以識別出圖片內容並給出相應的建議。

當我們把相似的輸入給到 Mini-Gemini，它會怎麼回答呢？

可以發現，Mini-Gemini 也可以識別出圖片中的元素，並且合理地建議，同時生成了一隻對應的毛線小熊。

通過一些抽象的多模態指令來讓模型給出推理，並生成合適的圖片，這個操作就很像是 ChatGPT 和 DALL・E 3 的聯動了。

接下來讓 Mini-Gemini 做自己最擅長的推理和圖片理解，看看它表現：

比如理解圖片中的矛盾點並舉一反三 —— 輸入冰川中的仙人掌，它會解釋其中的矛盾並生成一張熱帶雨林中北極熊的圖片：

圖片呈現了仙人掌的典型棲息地與冰的存在之間的視覺矛盾，因為在沙漠環境中自然不會出現冰。這種矛盾的類似例子可能是一隻北極熊出現在熱帶雨林中，因為北極熊適應於寒冷、覆蓋著冰的環境，在炎熱潮濕的氣候中無法生存。這種並置創造了一個引人注目且超現實的視覺效果，挑戰觀眾的期待，並可能引發人們對氣候變化、環境適應或不同生態系統融合的思考。

同時，正如 ChatGPT+DALL・E 3 的夢幻結合一樣，Mini-Gemini 的“推理生成”功能還可以在多輪對話中通過簡單指令生成連環小故事。

比方說，讓它根據使用者輸入講一個貴族小老鼠的故事，Mini-Gemini 會根據前文的文字生成結果和使用者輸入進行推理，在保持一致性的情況下對圖片進行修改，使其更符合使用者的要求。

當然，Mini-Gemini 對於多模態模型的傳統技能圖表理解也不在話下。比方讓模型理解輸入曲線圖的數學意義（高斯分佈），並讓它使用程式碼復現這張圖，通過運行生成的程式碼，模型可以高品質地還原曲線圖，節省了復現的時間。

又或者讓 Mini-Gemini 理解梗圖，通過其強大的 OCR 和推理能力，也可以精準指出笑點。

在另一個案例中，Mini-Gemini 除了理解梗圖本身，甚至推測了製作者的深層意圖。

高解析複雜的多圖表理解和歸納也是小菜一碟，Mini-Gemini 直接秒變打工人效率提升的超級外掛。

技術細節：

那麼問題來了，Mini-Gemini 是怎樣做到這種驚豔的效果呢？

核心在於三點：

(1) 用於高解析圖像的雙編碼器機制

(2) 更高品質的資料

(3) 訓練階段結合生成模型資料拓展

大道至簡，Mini-Gemini 的整體思路並不複雜。其中的 Gemini（雙子座) 表達的是使用視覺雙分支的資訊挖掘（Mining-Info in Gemini）解決高解析圖像理解問題。

詳細來說，Mini-Gemini 將傳統所使用的 ViT 當做低解析度的 Query，而使用摺積網路（ConvNet）將高解析度的圖像編碼成 Key 和 Value。

使用 Transformer 中常用的 Attention 機制，來挖掘每個低解析度 Query 所對應的高解析度區域。從而在保持最終視覺 Token 數目不變的情況下去提升對高解析圖像的響應，保證了在大型語言模型（LLM）中對於高解析圖像的高效編碼。

值得一提的是，由於高解析度分支摺積網路的使用，可以根據需要對圖像所需的解析度自適應調整。對於圖像的生成部分，Mini-Gemini 借助了 SDXL，使用 LLM 推理後所生成的文字連結兩個模型，類似於 DALL・E 3 的流程。

 

對於資料，Mini-Gemini 進一步收集並最佳化了訓練資料的品質，並加入了跟生成模型結合的文字資料進行訓練。在僅使用 2-3M 資料的情況下，實現了對圖像理解、推理和生成的統一流程。

Mini-Gemini 在各種 Zero-shot 的榜單上毫不遜色於各種大廠用大量資料訓練出來的模型。

量化指標：

可以看出，Mini-Gemini 提供了多種普通和高解析版本的模型，各個版本都取得了相似參數量下領先的效果，在許多指標上甚至超越 Gemini Pro 和 GPT-4V。

線上可玩：

值得一提的是，Mini-Gemini 的圖像理解和生成能力已經出了 Demo，可以線上跟自訂圖像對話的那種。

操作也極其簡單，直接跟輸入圖像或文字進行對話即可，歡迎來撩！

稿源：量子位

 

• 延伸閱讀：透過LM Studio大型語言模型軟體套件在AMD筆電跑LLM，效能還贏對手17%
• 延伸閱讀：你會跟ChatGPT說「請」嗎？研究顯示對LLM有禮貌可以提高其性能，難道AI理解人類的情感了？