'MiniGPT-4證明驚人的識圖能力和多項功能：看圖聊天、草圖建網站等'

對人類來說，理解一張圖的訊息，不過是一件微不足道的小事，人類幾乎不用思考，就能隨口說出圖片的含義。就像下圖，手機插入的充電器多少有點不合適。人類一眼就能看出問題所在，但對 AI 來說，難度還是非常大的。

GPT-4 的出現，開始讓這些問題變得簡單，它能很快的指出圖中問題所在：VGA 線充iPhone 。

其實GPT-4 的魅力遠不及此，更炸場的是利用手繪草圖直接生成網站，在草稿紙上畫一個潦草的示意圖，拍張照片，然後發給GPT-4，讓它依照示意圖寫網站程式碼，咻咻的，GPT-4 就把網頁程式碼寫出來了。

但遺憾的是，GPT-4 這項功能目前仍未對外開放，想要上手體驗也無從談起。不過，已經有人等不及了，來自阿卜杜拉國王科技大學（KAUST）的團隊上手開發了一個 GPT-4 的類似產品 ——MiniGPT-4。團隊研究人員包括朱德堯、陳軍、沈曉倩、李祥、Mohamed H. Elhoseiny，他們都來自 KAUST 的 Vision-CAIR 課題組。

• #論文網址：https://github.com/Vision-CAIR/MiniGPT- 4/blob/main/MiniGPT_4.pdf
• #論文首頁：https://minigpt-4.github.io/
• #程式碼位址：https://github.com/Vision-CAIR/MiniGPT-4

MiniGPT-4 展示了許多類似於GPT-4 的能力，例如生成詳細的圖像描述並從手寫草稿創建網站。此外，作者還觀察到 MiniGPT-4 的其他新興能力，包括根據給定的圖像創作故事和詩歌，提供解決圖像中顯示的問題的解決方案，根據食品照片教導使用者如何烹飪等。

MiniGPT-4 看圖片說話不在話下

MiniGPT-4 效果到底如何呢？我們先從幾個範例來說明。此外，為了更好的體驗 MiniGPT-4，建議使用英文輸入進行測試。

先檢視 MiniGPT-4 對圖片的描述能力。對於左邊的圖，MiniGPT-4 給出的答案大致為「圖片描述的是生長在冰凍湖上的一株仙人掌。仙人掌周圍有巨大的冰晶，遠處還有白雪皚皚的山峰……」假如你接著詢問這種景象能夠發生在現實世界嗎？ MiniGPT-4 給出的答案是這張圖像在現實世界並不常見，並給出了原因。

接著，來看看 MiniGPT-4 圖片問答能力。問：「這棵植物出現了什麼問題？我該怎麼辦？」MiniGPT-4 不僅指出了問題所在，表示帶有棕色斑點的樹葉可能由真菌感染引起，並給出了治療步驟：

幾個範例看下來，MiniGPT-4 看圖片聊天的功能已經非常強大了。不僅如此，MiniGPT-4 還能從草圖創建網站。例如讓MiniGPT-4 依照左邊的草稿圖繪製出網頁，收到指令後，MiniGPT-4 給予對應的HTML 程式碼，依照要求給出了對應網站：

借助 MiniGPT-4，為圖片寫廣告詞也變得非常簡單。請 MiniGPT-4 為左邊的杯子寫廣告文案。 MiniGPT-4 精準的指出了杯子上有嗜睡貓圖案，非常適合咖啡愛好者以及貓愛好者使用，還指出了杯子的材質等等：

MiniGPT-4 還能對著一張圖片產生食譜，變身廚房小能手：

 解釋廣為流傳的梗圖：

#根據圖片寫詩：

此外，值得一提的是，MiniGPT-4 Demo 已經開放，線上可玩，大家可以親自體驗一番（建議使用英文測試）：

Demo 網址：https://0810e8582bcad31944.gradio.live/

計畫一發佈，便引起網友廣泛關注。例如讓MiniGPT-4 解釋圖中的物件：

#下面還有更多網友的測試體驗：

#方法簡介

作者認為GPT-4 擁有先進的大型語言模型（LLM）是其具有先進的多模態生成能力的主要原因。為了研究這個現象，作者提出了 MiniGPT-4，它使用一個投影層將一個凍結的視覺編碼器和一個凍結的 LLM（Vicuna）對齊。

MiniGPT-4 由一個預先訓練的 ViT 和 Q-Former 視覺編碼器、一個單獨的線性投影層和一個先進的 Vicuna 大型語言模型組成。 MiniGPT-4 只需要訓練線性層，用來將視覺特徵與 Vicuna 對齊。

MiniGPT-4 進行了兩個階段的訓練。第一個傳統的預訓練階段使用大約 5 百萬對齊的圖像文字對，在 4 個 A100 GPU 上使用 10 小時進行訓練。第一階段後，Vicuna 能夠理解圖像。但是 Vicuna 文字生成能力受到了很大的影響。

為了解決這個問題並提高可用性，研究者提出了一種新穎的方式，透過模型本身和 ChatGPT 一起創建高品質的圖像文字對。基於此，該研究創建了一個小而高品質的數據集（總共 3500 對）。

第二个微调阶段使用对话模板在此数据集上进行训练，以显著提高其生成可靠性和整体可用性。这个阶段具有高效的计算能力，只需要一张 A100GPU 大约 7 分钟即可完成。

其他相关工作：

• VisualGPT: https://github.com/Vision-CAIR/VisualGPT
• ChatCaptioner: https://github.com/Vision-CAIR/ChatCaptioner

此外，项目中还使用了开源代码库包括 BLIP2、Lavis 和 Vicuna。

以上是'MiniGPT-4證明驚人的識圖能力和多項功能：看圖聊天、草圖建網站等'的詳細內容。更多資訊請關注PHP中文網其他相關文章！