超火迷你GPT-4視覺能力暴漲，GitHub兩萬星，華人團隊出品

GPT-4V來做目標偵測？網友實測：還沒準備好。

雖然偵測到的類別沒問題，但大多數邊界框都錯放了。

沒關係，有人會出手！

那個搶跑GPT-4看圖能力幾個月的迷你GPT-4升級啦－MiniGPT-v2。

△（左邊為GPT-4V生成，右邊為MiniGPT-v2生成）

而且只是一句簡單指令：[grounding] describe this image in detail就實現的結果。

不僅如此，還輕鬆處理各類視覺任務。

圈選一個物體，提示字前面加上 [identify] 可讓模型直接辨識出物體的名字。

當然也可以什麼都不加，直接問~

#MiniGPT-v2由來自MiniGPT-4的原班人馬（KAUST沙烏地阿拉伯阿卜杜拉國王科技大學）以及Meta的五位研究員共同開發。

上次MiniGPT-4剛出來就引發巨大關注，一時間伺服器被擠爆，如今GItHub專案已超22000 顆星。

此番升級，已經有網友開始用上了~

多視覺任務的通用介面

大模型作為各文本應用的通用介面，大家已經司空見慣了。受此靈感，研究團隊想要建立一個可用於多種視覺任務的統一介面，例如圖像描述、視覺問題解答等。

「如何在單一模型的條件下，使用簡單多模態指令來高效完成各類任務？」成為團隊需要解決的難題。

簡單來說，MiniGPT-v2由三個部分組成：視覺主幹、線性層和大型語言模型。

此模型以ViT視覺主幹為基礎，所有訓練階段都保持不變。從ViT中歸納出四個相鄰的視覺輸出標記，並透過線性圖層將它們投影到 LLaMA-2語言模型空間。

團隊建議在訓練模型為不同任務使用獨特的標識符，這樣一來大模型就能輕鬆分辨出每個任務指令，還能提高每個任務的學習效率。

訓練主要分為三個階段：預訓練－多任務訓練－多模式指令調整。

最終，MiniGPT-v2 在許多視覺問題解答和視覺接地基準測試中，成績都優於其他視覺語言通用模型。

最終這個模型可以完成多種視覺任務，例如目標物件描述、視覺定位、圖像說明、視覺問題解答以及從給定的輸入文字直接解析圖片對象。

有興趣的朋友，可戳下方Demo連結體驗：

https://minigpt-v2.github.io/
https://huggingface.co/spaces/Vision-CAIR/MiniGPT-v2

論文連結：https://arxiv.org/abs/2310.09478

GitHub連結：https://github.com/Vision-CAIR/MiniGPT-4

以上是超火迷你GPT-4視覺能力暴漲，GitHub兩萬星，華人團隊出品的詳細內容。更多資訊請關注PHP中文網其他相關文章！