刷爆多模態任務榜單，超強視覺語言模型Mini-Gemini來了！

效果堪稱是開源社區版的GPT-4+DALL-E 3王炸組合。

不僅如此，這款由港中文終身教授賈佳亞團隊提出的多模態模型，一經發布便登上了PaperWithCode熱榜。

圖片

Demo地址: http://103.170.5.190:7860/

論文地址：https://arxiv.org/pdf/2403.18814.pdf

具體來說，Mini-Gemini提供了2B小杯到34B的超大杯的不同選擇。

憑借超強的圖文理解力，Mini-Gemini在多個指標上，直接媲美Gemini Pro，GPT-4V。

圖片

目前，研究團隊將Mini-Gemini的代碼、模型、數據全部開源。

更有意思的是，超會玩梗的Mini-Gemini線上Demo已經發布，人人皆可上手試玩。

Mini-Gemini Demo放出后受到廣大網友關注，一番「嘗鮮」后，有人認為：Mini-Gemini跟商業模型差不了多少！

圖片

為何這么說？

圖片理解天花板

當前，絕大多數多模態模型僅支持低分辨率圖像輸入和文字輸出。

而在實際場景中，許多任務都需要對高清圖像進行解析，并用圖像的形式進行展現。

舉個例子，Mini-Gemini能夠看懂面包九宮格圖片教程，并進行手把手教學。

圖片

拍一張蘋果店Mac電腦信息圖，Mini-Gemini能夠將兩種尺寸的Mac不同參數進行對比。

有網友看過后表示，「媽媽再也不用擔心我的生活了」。

更重要的是，Mini-Gemini在保留超強的圖像理解和推理能力的同時，還解鎖了圖像的生成能力，就如同ChatGPT和生成模型的結合。

下面，讓我們通過幾個例子來更直觀地感受這種能力：

推理再生成，更精準了

還記得谷歌Gemini的官方演示視頻么？

當用戶給出兩個毛線團并問出能用它們做什么時，Gemini可以識別出圖片內容并給出相應的建議。

圖片

當我們把相似的輸入給到Mini-Gemini，它會怎么回答呢？

圖片

可以發現，Mini-Gemini也可以識別出圖片中的元素，并且合理地建議，同時生成了一只對應的毛線小熊。

圖片

通過一些抽象的多模態指令來讓模型給出推理，并生成合適的圖片，這個操作就很像是ChatGPT和DALLE3的聯動了！

接下來讓Mini-Gemini做自己最擅長的推理和圖片理解，看看它表現。

比如，理解圖片中的矛盾點并舉一反三。

輸入冰川中的仙人掌，它會解釋其中的矛盾并生成一張熱帶雨林中北極熊的圖片：

圖片

圖片呈現了仙人掌的典型棲息地與冰的存在之間的視覺矛盾，因為在沙漠環境中自然不會出現冰。

Mini-Gemini正是理解了這種矛盾點，才生成了一張北極熊出現在熱帶雨林的圖片。

這種并置創造了一個引人注目且超現實的視覺效果，挑戰觀眾的期待，并可能引發人們對氣候變化、環境適應或不同生態系統融合的思考。

同時，正如ChatGPT+DALLE3的夢幻結合一樣，Mini-Gemini的「推理生成」功能還可以在多輪對話中通過簡單指令生成連環小故事。

比方說，讓它根據用戶輸入講一個貴族小老鼠的故事。

Mini-Gemini會根據前文的文字生成結果和用戶輸入進行推理，在保持一致性的情況下對圖片進行修改，使其更符合用戶的要求。

圖片

當然，Mini-Gemini對于多模態模型的傳統技能圖片理解也不在話下。

比方讓模型理解輸入曲線圖的數學意義（高斯分布），并讓它使用代碼復現這張圖。

通過運行生成的代碼，模型可以高質量地還原曲線圖，節省了復現的時間。

圖片

圖片

超會玩梗

又或者讓Mini-Gemini理解梗圖，通過其強大的OCR和推理能力，也可以準確指出笑點。

一張將麥當勞P成GYM表情包，外加對話圖，搞笑點在哪？

圖片

Mini-Gemini可以準確理解圖中諷刺含義，并給出了正確的解釋。

圖片

圖片

還有這張「當某媒體說AI將接管世界，實際上我的神經網絡連貓未能識別」的梗圖。

圖片

Mini-Gemini也是可以理解，是在說AI犯錯的例子，并且與公眾接受到的預期并不一樣。

圖片

圖中細節的幽默之處，它都能get得明明白白。

圖片

高清復雜的多圖表理解和歸納也是小菜一碟，Mini-Gemini直接秒變打工人效率提升的超級外掛。

圖片

圖片

英文圖表太復雜，讀起來太費腦子？它直觀地用中文整理出了內容——「比較不同籠養系統中母雞所承受的平均疼痛天數」。

圖片

技術細節

如上演示中，Mini-Gemini是怎樣做到這種驚艷的效果呢？

圖片

論文地址：https://arxiv.org/pdf/2403.18814.pdf

Github地址：https://github.com/dvlab-research/MiniGemini

模型地址：https://huggingface.co/collections/YanweiLi/mini-gemini-6603c50b9b43d044171d0854

數據地址：https://huggingface.co/collections/YanweiLi/mini-gemini-data-660463ea895a01d8f367624e

大道至簡，Mini-Gemini的整體思路并不復雜。其中的Gemini（雙子座）表達的是使用視覺雙分支的信息挖掘（Miraing-Info in Gemini）解決高清圖像理解問題。

而其中的核心在于三點：

（1）用于高清圖像的雙編碼器機制；

（2）更高質量的數據；

（3）訓練階段結合生成模型數據拓展。

詳細來說，Mini-Gemini將傳統所使用的ViT當做低分辨率的Query，而使用卷積網絡（ConvNet）將高分辨率的圖像編碼成Key和Value。

使用Transformer中常用的Attention機制，來挖掘每個低分辨率Query所對應的高分辨率區域。

從而在保持最終視覺Token數目不變的情況下去提升對高清圖像的響應，保證了在大語言模型（LLM）中對于高清圖像的高效編碼。

值得一提的是，由于高分辨率分支卷積網絡的使用，可以根據需要對圖像所需的分辨率自適應調整，能夠遇強則強。

對于圖像的生成部分，Mini-Gemini借助了SDXL，使用LLM推理后所生成的文本鏈接兩個模型，類似于DALLE3的流程。

圖片

而對于數據這個「萬金油」，Mini-Gemini進一步收集并優化了訓練數據的質量，并加入了跟生成模型結合的文本數據進行訓練。

在僅使用2-3M數據的情況下，實現了對圖像理解、推理、和生成的統一流程。

Mini-Gemini在各種Zero-shot的榜單上毫不遜色于各種大廠用大量數據訓練出來的模型，可謂是「平、靚、正」 ！

媲美Gemini Pro和GPT-4V

可以看出，Mini-Gemini提供了多種普通和高清版本的模型，并且覆蓋了2B的小杯到34B的超大杯。

各個版本都取得了相似參數量下領先的效果，在許多指標上甚至超越Gemini Pro和GPT-4V。

圖片

人人在線可玩

值得一提的是，Mini-Gemini的圖像理解和生成能力已經出了Demo，可以在線跟自定義圖像對話的那種。

操作也極其簡單，直接跟輸入圖像或文字進行對話即可，歡迎來撩！

圖片

Demo地址：http://103.170.5.190:7860/

參考資料：

https://arxiv.org/pdf/2403.18814.pdf

https://github.com/dvlab-research/MiniGemini

https://huggingface.co/collections/YanweiLi/mini-gemini-6603c50b9b43d044171d0854

https://huggingface.co/collections/YanweiLi/mini-gemini-data-660463ea895a01d8f367624e

http://103.170.5.190:7860/