清华大学开源多模态对话模型VisualGLM-6B能解读表情包

释放双眼,带上耳机,听听看~!
清华大学与智谱AI合作开发的开源多模态对话模型VisualGLM-6B,除了用于中文图像理解,还能准确解读表情包。了解VisualGLM-6B的使用效果和优势,以及其对于表情包的解读能力。

丰色 萧箫 发自 凹非寺

量子位 | 公众号 QbitAI

什么,最懂表情包的中文开源大模型出现了??!

就在最近,来自清华的一个叫VisualGLM-6B的大模型在网上传开了来,起因是网友们发现,它连表情包似乎都能解读!

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

像这个腊肠犬版蒙娜丽莎,它不仅准确理解了这是腊肠犬与蒙娜丽莎的“合体照”,还点出了这只是一幅虚构作品:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

又像是这个正在出租车后熨衣斗的男子,它也一眼看出了“不对劲”的地方:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

值得一提的是,在此前GPT-4刚发布时,网友们也同样将它用来测了测常识理解能力:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

就如同弱智吧问题是大模型语言理解能力的benchmark一样,表情包简直就是大模型图片理解能力的benchmark。

要是它真能理解网友们奇奇怪怪的表情包,那AI简直没有什么不能get到的信息点了啊!

我们赶紧测试了一波,看看它究竟效果如何。

gif也能看懂,但解读太过正经

目前,VisualGLM-6B已经推出了网页端试玩版。

只需要在Hugging Face的试玩界面上传图片,再与它进行“对话”,它就能生成理解图片的结果:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

先试试初级难度的表情包。

官方给出了几个问题示例,例如“描述一下这个场景”、“这是什么东西”、“这张图片描述了什么”,我们就先尝试一下这几个问题。

输入一只正在听歌的小猫,让VisualGLM-6B描述一下表情包中的场景

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

还不错,VisualGLM-6B准确get了小猫享受音乐或使用电子设备这个过程!

再输入一个章鱼哥表情包,问它“这是什么东西”:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

也没问题。看起来能拿给爸妈用了(手动狗头)。

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

再试试用吃饭小狗,让VisualGLM-6B解读一下这张图片描述了什么

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

看起来初级表情包都没什么问题,是时候加大力度了。

上传一个gif试试?第一眼似乎没有问题:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

但再换一个gif试试就会发现,它似乎只理解了第一帧图像,猜测是不是“主角在试图抓住或捕捉它”,但实际上只是在扔钞票:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

与之前的一些图片理解AI不同,VisualGLM-6B在解读时会着重介绍表情包角色中的面部表情,例如“它看起来不舒服或者紧张”:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

BUT!当我们再上一点难度,给表情包配上文字之后,它就无法理解表情包的含义了:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

尤其是这种靠配文传达表情包精髓的,VisualGLM-6B就会开始展现“瞎解读”的功底:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

如果图像拼接太多,它还会出现奇怪的bug,例如把摸鱼狗头人认成大鲨鱼:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

而且,它在描述表情包的时候整体比较正经,不会解读图像以外的“用意”。

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

例如,有网友测试了一下经典的“熊猫人显卡”表情包:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

以及周星驰的经典“我全都要”表情包:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

显然VisualGLM-6B能大致理解图片的场景,但对于表情包的配文就无法理解了。

总结一下,对于包含经典作品角色的表情包,或是经过文字加工前的“原始”表情包,VisualGLM-6B能说出这个角色的名字,或是描述出其中的场景:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

虽然也可以让它描述情绪,不过AI看出来的情绪,可能和最终表情包表达的情绪不太一样:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

但一旦表情包加上了文字、或是被P进了新场景,VisualGLM-6B就会因为无法解读图片中文字的意思,而变得“看不懂梗”了。

清华大学开源多模态对话模型VisualGLM-6B能解读表情包
有时候还会解读错乱,例如狗看成猪

那么,拥有一部分解读表情包能力的VisualGLM-6B,究竟是什么来头?

多模态对话VisualGLM-6B,最低只需8.7G显存

事实上,VisualGLM-6B并非专门为“表情包解读”而开发。

它是由智谱AI和清华大学KEG实验室打造的开源多模态对话模型,主要用于中文图像理解,解读表情包可以说只是它被开发出来的一个“副业”。

它的正经用法,一般是酱婶的:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

提起这个团队,大家更熟悉的可能是ChatGLM-6B大模型。

后者此前我们有作介绍:

它是“清华系ChatGPT”的一员,2022年8月发布,共62亿规模参数,支持中英双语对话。

上线4天就突破6k star,目前已经近25k。

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

据介绍,VisualGLM-6B正是在ChatGLM-6B的基础上完成:

ChatGLM-6B负责它的语言模型部分,图像部分则通过训练BLIP2-Qformer构建起视觉模型与语言模型的“桥梁”。

因此,VisualGLM-6B整体模型共78亿参数

具体而言,VisualGLM-6B的预训练在中英文权重相同的情况下,在30M高质量中文图文对和300M经过筛选的英文图文对上完成(来自CogView数据集)。

这一训练方法可以将视觉信息对齐到ChatGLM的语义空间。

微调阶段,VisualGLM-6B又在长视觉问答数据上训练,以生成符合人类偏好的答案。

与此同时,VisualGLM-6B由SwissArmyTransformer (简称“sat” ) 库训练,这是一个支持Transformer灵活修改、训练的工具库,支持Lora、P-tuning等参数高效微调方法。

最终,本项目既提供了HuggingFace接口,也提供了基于sat的接口。

要说VisualGLM-6B最大的特点,便是结合模型量化技术,可以让大家在消费级的显卡上进行本地部署,INT4量化级别下最低只需8.7G显存

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

具体包含三种部署工具:

一是命令行Demo。执行命令:

python cli_demo.py

然后程序便自动下载sat模型,大家就可以在命令行中进行交互式的对话了。

输入指示并回车即可生成回复,输入clear可以清空对话历史,输入stop终止程序。

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

二是基于Gradio的网页版Demo。

需要先安装Gradio:pip install gradio,然后下载并进入本仓库运行web_demo.py,最后在浏览器中打开系统输出的地址即可使用。

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

三是API部署。需要安装额外的依赖:pip install fastapi uvicorn,然后运行仓库中的api.py。

更多细节和推理、量化部分的方法就不赘述了,可戳参考链接[1]查看官方介绍。

需要注意的是,如官方所述,VisualGLM-6B正处于V1版本,视觉和语言模型的参数、计算量都较小,因此会出现相当多的已知局限性,像图像描述事实性/模型幻觉问题、图像细节信息捕捉不足,以及一些来自语言模型的局限性等等。

就如下面这张测试,VisualGLM-6B描述得还挺到位的,能看出是阿根廷和世界杯,但别被蒙了:图上并没有阿圭罗和迪马利亚这两位球星清华大学开源多模态对话模型VisualGLM-6B能解读表情包

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

因此,官方也称将在后续继续针对以上问题进行一一改进。

不过,拥有图片解读能力的大模型,也并不只有VisualGLM-6B一个。

目前来看,表现比较好的“表情包杀手”还是GPT-4,从网友测试来看,它已经能根据表情包中的文字解读meme:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

开源大模型方面,基于Vicuna-13B开发的MiniGPT-4也能解读图片,同样只需要一张单卡RTX3090就能搞定:

清华大学开源多模态对话模型VisualGLM-6B能解读表情包

不过在这批大模型中,VisualGLM-6B强调的则是“中文开源”特点,换而言之,它在中文描述上可能会比其他大模型更准确一些。

你试玩过这些“表情包解读AI”了吗?感觉谁更能get人类思想精华?(手动狗头)

VisualGLM-6B试玩地址:
huggingface.co/spaces/lyke…

参考链接:
[1]mp.weixin.qq.com/s/SzS6Gx8Zj…
[2]twitter.com/thukeg/stat…

—  —

本网站的内容主要来自互联网上的各种资源,仅供参考和信息分享之用,不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益,请联系我们,我们将尽快采取行动,包括删除或更正。
AI教程

使用Pytorch提供的标准网络结构训练Cifar10模型

2023-12-21 19:04:14

AI教程

自注意力生成对抗网络(SAGAN)- 图像生成中的远距离依赖性建模

2023-12-21 19:06:14

个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索