超火迷你GPT-4视觉能力暴涨，GitHub两万星，华人团队出品

　　本文来自于微信公众号 量子位 (ID:QbitAI)，作者:白交 。

　　GPT-4V来做目标检测?网友实测:还没有准备好。

　　虽然检测到的类别没问题，但大多数边界框都错放了。

　　没关系，有人会出手!

　　那个抢跑GPT-4看图能力几个月的迷你GPT-4升级啦——MiniGPT-v2。

　　而且只是一句简单指令:[grounding] describe this image in detail就实现的结果。

　　不仅如此，还轻松处理各类视觉任务。

　　圈出一个物体，提示词前面加个 [identify] 可让模型直接识别出来物体的名字。

　　当然也可以什么都不加，直接问~

　　MiniGPT-v2由来自MiniGPT-4的原班人马(KAUST沙特阿卜杜拉国王科技大学)以及Meta的五位研究员共同开发。

　　上次MiniGPT-4刚出来就引发巨大关注，一时间服务器被挤爆，如今GItHub项目已超22000+星。

　　此番升级，已经有网友开始用上了~

　　多视觉任务的通用界面

　　大模型作为各文本应用的通用界面，大家已经司空见惯了。受此灵感，研究团队想要建立一个可用于多种视觉任务的统一界面，比如图像描述、视觉问题解答等。

　　「如何在单一模型的条件下，使用简单多模态指令来高效完成各类任务?」成为团队需要解决的难题。

　　简单来说，MiniGPT-v2由三个部分组成:视觉主干、线性层和大型语言模型。

　　该模型以ViT视觉主干为基础，所有训练阶段都保持不变。从ViT中归纳出四个相邻的视觉输出标记，并通过线性层将它们投影到 LLaMA-2语言模型空间中。

　　团队建议在训练模型为不同任务使用独特的标识符，这样一来大模型就能轻松分辨出每个任务指令，还能提高每个任务的学习效率。

　　训练主要分为三个阶段:预训练——多任务训练——多模式指令调整。

　　最终，MiniGPT-v2在许多视觉问题解答和视觉接地基准测试中，成绩都优于其他视觉语言通用模型。

　　最终这个模型可以完成多种视觉任务，比如目标对象描述、视觉定位、图像说明、视觉问题解答以及从给定的输入文本中直接解析图片对象。