搜尋
首頁科技週邊人工智慧文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型

目前的一個明顯趨勢是致力於建立更大更複雜的模型,這些模型擁有數百/數千億個參數,能夠產生令人印象深刻的語言輸出

然而,現有的大型語言模型主要集中在文字訊息上,無法理解視覺訊息。

因此多模態大型語言模型(MLLMs)領域的進展旨在解決這一限制,MLLMs將視覺和文字資訊整合到一個基於Transformer的單一模型中,使該模型能夠根據這兩種模態學習和產生內容。

MLLMs在各種實際應用中顯示出潛力,包括自然圖像理解和文字圖像理解。這些模型利用語言建模作為處理多模態問題的通用接口,使其能夠根據文本和視覺輸入處理和生成響應

然而,目前主要關注分辨率較低的自然圖像的MLLMs,對於文字密集圖像的研究還相對較少。因此,充分利用大規模多模態預訓練來處理文字影像成為MLLM研究的一個重要方向

#透過將文字影像納入訓練過程並開發基於文字和視覺資訊的模型,我們可以開啟涉及高解析度文字密集圖像的多模態應用的新可能性。

文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型圖片

論文網址:https://arxiv.org/abs/2309.11419

#KOSMOS-2.5是一個基於文字密集圖像的多模態大型語言模型,它是在KOSMOS-2的基礎上發展而來的,突出了對於文字密集圖像的多模態閱讀和理解能力( Multimodal Literate Model)。

該模型的提出凸顯了其在理解文本密集型圖像方面的卓越性能,彌合了視覺和文本之間的差距

同時,這也標誌著任務範式的演變,從先前的編碼器-解碼器架構轉變為純解碼器架構

KOSMOS-2.5的目標是在文字豐富的圖像中實現無縫的視覺和文字資料處理,以便理解圖像內容並產生結構化文字描述。

文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型圖1:KOSMOS-2.5概覽圖

KOSMOS-2.5是一個多模態模型,如圖1所示,它的目標是使用統一的框架來處理兩個緊密相關的任務

#第一個任務涉及產生具有空間感知的文字區塊,即同時產生文字區塊的內容與座標框。 需要被改寫的內容是:第一個任務涉及產生具有空間感知的文字區塊,即同時產生文字區塊的內容與座標框

第二項任務涉及使用Markdown格式產生結構化的文字輸出,並捕捉各種樣式和結構

文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型#圖2:KOSMOS-2.5架構圖

根據圖2所示,兩個任務都使用了共享的Transformer架構和任務特定的提示

KOSMOS-2.5將基於ViT(Vision Transformer)的視覺編碼器與基於Transformer架構的解碼器結合,透過一個重採樣模組連接起來。

文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型圖3:預訓練資料集

為了訓練這個模型,作者準備了一個龐大的資料集,其大小達到了324.4M,如圖3所示

文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型#圖4:帶有邊界框的文字行的訓練樣本範例

文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型圖5:Markdown格式的訓練樣本範例

此資料集包含各種類型的文字密集圖像,其中包括帶有邊界框的文字行和純文字的Markdown格式,圖4和圖5為訓練樣本範例視覺化。

這種多工訓練方法提升了KOSMOS-2.5在整體上的多模態能力

文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型[圖6] 端對端的文件級文字辨識實驗

文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型#圖7:從影像中產生Markdown格式文字實驗

如圖6和圖7所示,KOSMOS-2.5在兩個任務上進行評估:端到端的文件級文字辨識和從影像中產生Markdown格式文字。

KOSMOS-2.5在處理文字密集的圖像任務方面表現出色,實驗結果展示了這一點

文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型##圖8:KOSMOS-2.5的輸入和輸出樣本展示

#KOSMOS-2.5在少樣本學習和零樣本學習的場景中展現了有前景的能力,使其成為處理文字豐富圖像的實際應用的多功能工具。可以將其視為一種多功能工具,能夠有效處理文本豐富的圖像,並在少樣本學習和零樣本學習的情況下展現出有前景的能力

作者指出,指令微調是一個很有前景的方法,可以實現模型更廣泛的應用能力。

在更廣泛的研究領域中,一個重要的方向在於進一步發展模型參數的擴展能力。

隨著任務範圍的不斷擴大和複雜性的不斷提高,擴展模型以處理更大量的資料對於文字密集的多模態模型的發展至關重要。

最終目標是發展出一個能有效解釋視覺和文字資料的模型,並在更多文字密集型多模態任務中順利推廣。

重寫內容時,需要將其改寫成中文,不需要出現原句

https://arxiv.org/abs/2309.11419

以上是文件字越多,模型越興奮! KOSMOS-2.5:閱讀「文字密集圖像」的多模態大語言模型的詳細內容。更多資訊請關注PHP中文網其他相關文章!

陳述
本文轉載於:51CTO.COM。如有侵權,請聯絡admin@php.cn刪除
从VAE到扩散模型:一文解读以文生图新范式从VAE到扩散模型:一文解读以文生图新范式Apr 08, 2023 pm 08:41 PM

1 前言在发布DALL·E的15个月后,OpenAI在今年春天带了续作DALL·E 2,以其更加惊艳的效果和丰富的可玩性迅速占领了各大AI社区的头条。近年来,随着生成对抗网络(GAN)、变分自编码器(VAE)、扩散模型(Diffusion models)的出现,深度学习已向世人展现其强大的图像生成能力;加上GPT-3、BERT等NLP模型的成功,人类正逐步打破文本和图像的信息界限。在DALL·E 2中,只需输入简单的文本(prompt),它就可以生成多张1024*1024的高清图像。这些图像甚至

普林斯顿陈丹琦:如何让「大模型」变小普林斯顿陈丹琦:如何让「大模型」变小Apr 08, 2023 pm 04:01 PM

“Making large models smaller”这是很多语言模型研究人员的学术追求,针对大模型昂贵的环境和训练成本,陈丹琦在智源大会青源学术年会上做了题为“Making large models smaller”的特邀报告。报告中重点提及了基于记忆增强的TRIME算法和基于粗细粒度联合剪枝和逐层蒸馏的CofiPruning算法。前者能够在不改变模型结构的基础上兼顾语言模型困惑度和检索速度方面的优势;而后者可以在保证下游任务准确度的同时实现更快的处理速度,具有更小的模型结构。陈丹琦 普

找不到中文语音预训练模型?中文版 Wav2vec 2.0和HuBERT来了找不到中文语音预训练模型?中文版 Wav2vec 2.0和HuBERT来了Apr 08, 2023 pm 06:21 PM

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

解锁CNN和Transformer正确结合方法,字节跳动提出有效的下一代视觉Transformer解锁CNN和Transformer正确结合方法,字节跳动提出有效的下一代视觉TransformerApr 09, 2023 pm 02:01 PM

由于复杂的注意力机制和模型设计,大多数现有的视觉 Transformer(ViT)在现实的工业部署场景中不能像卷积神经网络(CNN)那样高效地执行。这就带来了一个问题:视觉神经网络能否像 CNN 一样快速推断并像 ViT 一样强大?近期一些工作试图设计 CNN-Transformer 混合架构来解决这个问题,但这些工作的整体性能远不能令人满意。基于此,来自字节跳动的研究者提出了一种能在现实工业场景中有效部署的下一代视觉 Transformer——Next-ViT。从延迟 / 准确性权衡的角度看,

Stable Diffusion XL 现已推出—有什么新功能,你知道吗?Stable Diffusion XL 现已推出—有什么新功能,你知道吗?Apr 07, 2023 pm 11:21 PM

3月27号,Stability AI的创始人兼首席执行官Emad Mostaque在一条推文中宣布,Stable Diffusion XL 现已可用于公开测试。以下是一些事项:“XL”不是这个新的AI模型的官方名称。一旦发布稳定性AI公司的官方公告,名称将会更改。与先前版本相比,图像质量有所提高与先前版本相比,图像生成速度大大加快。示例图像让我们看看新旧AI模型在结果上的差异。Prompt: Luxury sports car with aerodynamic curves, shot in a

五年后AI所需算力超100万倍!十二家机构联合发表88页长文:「智能计算」是解药五年后AI所需算力超100万倍!十二家机构联合发表88页长文:「智能计算」是解药Apr 09, 2023 pm 07:01 PM

人工智能就是一个「拼财力」的行业,如果没有高性能计算设备,别说开发基础模型,就连微调模型都做不到。但如果只靠拼硬件,单靠当前计算性能的发展速度,迟早有一天无法满足日益膨胀的需求,所以还需要配套的软件来协调统筹计算能力,这时候就需要用到「智能计算」技术。最近,来自之江实验室、中国工程院、国防科技大学、浙江大学等多达十二个国内外研究机构共同发表了一篇论文,首次对智能计算领域进行了全面的调研,涵盖了理论基础、智能与计算的技术融合、重要应用、挑战和未来前景。论文链接:​https://spj.scien

​什么是Transformer机器学习模型?​什么是Transformer机器学习模型?Apr 08, 2023 pm 06:31 PM

译者 | 李睿审校 | 孙淑娟​近年来, Transformer 机器学习模型已经成为深度学习和深度神经网络技术进步的主要亮点之一。它主要用于自然语言处理中的高级应用。谷歌正在使用它来增强其搜索引擎结果。OpenAI 使用 Transformer 创建了著名的 GPT-2和 GPT-3模型。自从2017年首次亮相以来,Transformer 架构不断发展并扩展到多种不同的变体,从语言任务扩展到其他领域。它们已被用于时间序列预测。它们是 DeepMind 的蛋白质结构预测模型 AlphaFold

AI模型告诉你,为啥巴西最可能在今年夺冠!曾精准预测前两届冠军AI模型告诉你,为啥巴西最可能在今年夺冠!曾精准预测前两届冠军Apr 09, 2023 pm 01:51 PM

说起2010年南非世界杯的最大网红,一定非「章鱼保罗」莫属!这只位于德国海洋生物中心的神奇章鱼,不仅成功预测了德国队全部七场比赛的结果,还顺利地选出了最终的总冠军西班牙队。不幸的是,保罗已经永远地离开了我们,但它的「遗产」却在人们预测足球比赛结果的尝试中持续存在。在艾伦图灵研究所(The Alan Turing Institute),随着2022年卡塔尔世界杯的持续进行,三位研究员Nick Barlow、Jack Roberts和Ryan Chan决定用一种AI算法预测今年的冠军归属。预测模型图

See all articles

熱AI工具

Undresser.AI Undress

Undresser.AI Undress

人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool

Undress AI Tool

免費脫衣圖片

Clothoff.io

Clothoff.io

AI脫衣器

AI Hentai Generator

AI Hentai Generator

免費產生 AI 無盡。

熱門文章

R.E.P.O.能量晶體解釋及其做什麼(黃色晶體)
2 週前By尊渡假赌尊渡假赌尊渡假赌
倉庫:如何復興隊友
4 週前By尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island冒險:如何獲得巨型種子
4 週前By尊渡假赌尊渡假赌尊渡假赌

熱工具

SublimeText3 Mac版

SublimeText3 Mac版

神級程式碼編輯軟體(SublimeText3)

mPDF

mPDF

mPDF是一個PHP庫,可以從UTF-8編碼的HTML產生PDF檔案。原作者Ian Back編寫mPDF以從他的網站上「即時」輸出PDF文件,並處理不同的語言。與原始腳本如HTML2FPDF相比,它的速度較慢,並且在使用Unicode字體時產生的檔案較大,但支援CSS樣式等,並進行了大量增強。支援幾乎所有語言,包括RTL(阿拉伯語和希伯來語)和CJK(中日韓)。支援嵌套的區塊級元素(如P、DIV),

SublimeText3漢化版

SublimeText3漢化版

中文版,非常好用

EditPlus 中文破解版

EditPlus 中文破解版

體積小,語法高亮,不支援程式碼提示功能

VSCode Windows 64位元 下載

VSCode Windows 64位元 下載

微軟推出的免費、功能強大的一款IDE編輯器