用視覺來做Prompt！沈向洋展示IDEA研究院新模型，無需訓(xùn)練或微調(diào)，開箱即用
用視覺來做Prompt，是種什么體驗？
只需在圖里隨便框一下，結(jié)果秒秒鐘圈出同一類別！
即便是那種GPT-4V都難搞定的數(shù)米粒的環(huán)節(jié)。只需要你手動拉一下框，就能找出所有米粒來。
新的目標(biāo)檢測范式，有了！
剛剛結(jié)束的IDEA年度大會上，IDEA研究院創(chuàng)院理事長、美國國家工程院外籍院士沈向洋展示了最新研究成果——
基于視覺提示（Visual Prompt）模型T-Rex。
整個流程交互，開箱即用，只需幾步就可以完成。
此前，Meta開源的SAM分割一切模型，直接讓CV領(lǐng)域迎來了GPT-3時刻，但仍是基于文本prompt的范式，在應(yīng)對一些復(fù)雜、罕見場景就會比較難辦。
現(xiàn)在以圖換圖的方式，就能輕松迎刃而解。
除此之外，整場大會也是干貨滿滿，比如Think-on-Graph知識驅(qū)動大模型、開發(fā)者平臺MoonBit月兔、AI科研神器ReadPaper更新2.0、SPU機密計算協(xié)處理器、可控人像視頻生成平臺HiveNet等等。
最后，沈向洋還分享了過去幾年時間花時間最多的一個項目：低空經(jīng)濟。
我相信當(dāng)?shù)涂战?jīng)濟發(fā)展到相對成熟時，同一個時間點，在深圳的天空中每天有10萬架無人機，每天飛起來的有百萬架無人機。
用視覺來做Prompt
除了基礎(chǔ)的單輪提示功能，T-Rex還支持三種進階模式。
- 多輪正例模式
有點像多輪對話，以得出更為精確的結(jié)果，不至于出現(xiàn)漏檢的情況。
- 正例+負例模式
適用于視覺提示帶有二義性造成誤檢的場景。
* 跨圖模式。
用單張參考圖提示，來檢測其他的圖。
據(jù)介紹，T-Rex不會受到預(yù)定義類別限制，能夠利用視覺示例指定檢測目標(biāo)，這樣一來就克服有些物體難以用文字充分表達的問題，以提高提示效率。尤其像一些工業(yè)場景中的復(fù)雜組件等。
除此之外，通過與用戶交互的方式，也可以隨時快速地評估檢測結(jié)果，并進行糾錯等。
T-Rex主要由三個組件組成：圖像編碼器、提示編碼器以及框解碼器。
這項工作來自IDEA研究院計算機視覺與機器人研究中心。
該團隊此前開源的目標(biāo)檢測模型DINO是首個在COCO目標(biāo)檢測上取得榜單第一的DETR類模型；在Github上大火（至今狂攬11K星）的零樣本檢測器Grounding DINO與能夠檢測、分割一切的Grounded SAM。更多技術(shù)細節(jié)可戳文末鏈接。
整場大會干貨滿滿
除此之外，IDEA大會上還重點分享了幾個研究成果。
比如Think-on-Graph知識驅(qū)動大模型，簡單來說就是將大模型與知識圖譜結(jié)合。
大模型擅長意圖理解和自主學(xué)習(xí)，而知識圖譜因其結(jié)構(gòu)化的知識存儲方式，更擅長邏輯鏈條推理。
Think-on-Graph通過驅(qū)動大模型agent在知識圖譜上“思考”，逐步搜索推理出最優(yōu)答案（在知識圖譜的關(guān)聯(lián)實體上一步一步搜索推理）。每一步推理中，大模型都親自參與，與知識圖譜相互取長補短。
MoonBit月兔，這是由Wasm驅(qū)動，專為云計算與邊緣計算設(shè)計的開發(fā)者平臺。
它不僅提供通用程序語言設(shè)計，還整合了編譯器、構(gòu)建系統(tǒng)、集成開發(fā)環(huán)境（IDE）、部署工具等版塊，來提升開發(fā)體驗與效率。
此前發(fā)布的科研神器ReadPaper也更新至2.0，發(fā)布會現(xiàn)場演示了閱讀copilot、潤色copilot等新功能。
發(fā)布會最后，沈向洋發(fā)布《低空經(jīng)濟發(fā)展白皮書（2.0）——全數(shù)字化方案》，在其智能融合低空系統(tǒng)（Smart Integrated Lower Airspace System，SILAS）中，提出時空進程（Temporal Spatial Process）新概念。
T-Rex鏈接：
https://trex-counting.github.io/
