更高清圖像的精確理解、更高質(zhì)量的訓(xùn)練數(shù)據(jù)、更強(qiáng)的圖像解析推理能力，還能結(jié)合圖像推理和生成，香港中文大學(xué)終身教授賈佳亞團(tuán)隊(duì)提出的這款多模態(tài)模型 Mini-Gemini 堪稱絕絕子，相當(dāng)于開源社區(qū)的 GPT4+DALLE3 的王炸組合！

• Github 地址：https://github.com/dvlab-research/MiniGemini
• Demo 地址: http://103.170.5.190:7860/
• 論文地址：https://arxiv.org/pdf/2403.18814.pdf
• 模型地址：https://huggingface.co/collections/YanweiLi/mini-gemini-6603c50b9b43d044171d0854
• 數(shù)據(jù)地址：https://huggingface.co/collections/YanweiLi/mini-gemini-data-660463ea895a01d8f367624e

Mini-Gemini 還提供了 2B 小杯到 34B 的超大杯，最強(qiáng)模型在多個(gè)指標(biāo)上相比 Google Gemini Pro 甚至 GPT-4V 都不遑多讓。目前，Mini-Gemini 從代碼、模型、到數(shù)據(jù)已全部開源，還登上了 PaperWithCode 熱榜。

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

操作也極其簡(jiǎn)單，直接跟輸入圖像或文字進(jìn)行對(duì)話即可，歡迎來(lái)撩！

Mini-Gemini Demo 放出后受到廣大網(wǎng)友關(guān)注，一番 “品嘗” 后，他們認(rèn)為 Mini-Gemini 跟商業(yè)模型差不了多少！

效果展示

目前，絕大多數(shù)多模態(tài)模型僅支持低分辨率圖像輸入和文字輸出，而在實(shí)際場(chǎng)景中，許多任務(wù)都需要對(duì)高清圖像進(jìn)行解析，并用圖像的形式進(jìn)行展現(xiàn)。

如上圖所示，Mini-Gemini 不僅能夠根據(jù)圖片對(duì)做面包的過(guò)程進(jìn)行手把手教學(xué)，也能夠準(zhǔn)確將不同電腦根據(jù)圖片中的各種參數(shù)進(jìn)行對(duì)比。網(wǎng)友表示：媽媽再也不用擔(dān)心我的生活了。

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

下面，讓我們通過(guò)幾個(gè)例子來(lái)更直觀地感受這種能力：

還記得 Google Gemini 的官方演示視頻么？當(dāng)用戶給出兩個(gè)毛線團(tuán)并問(wèn)出能用它們做什么時(shí)，Gemini 可以識(shí)別出圖片內(nèi)容并給出相應(yīng)的建議。

當(dāng)我們把相似的輸入給到 Mini-Gemini，它會(huì)怎么回答呢？

可以發(fā)現(xiàn)，Mini-Gemini 也可以識(shí)別出圖片中的元素，并且給出合理的建議，同時(shí)生成了一只對(duì)應(yīng)的毛線小熊。

通過(guò)一些抽象的多模態(tài)指令來(lái)讓模型給出推理，并生成合適的圖片，這個(gè)操作就很像是 ChatGPT 和 DALLE3 的聯(lián)動(dòng)了！

接下來(lái)讓 Mini-Gemini 做自己最擅長(zhǎng)的推理和圖片理解，看看它表現(xiàn)：

比如理解圖片中的矛盾點(diǎn)并舉一反三：輸入冰川中的仙人掌，它會(huì)解釋其中的矛盾并生成一張熱帶雨林中北極熊的圖片：

圖片呈現(xiàn)了仙人掌的典型棲息地與冰的存在之間的視覺(jué)矛盾，因?yàn)樵谏衬h(huán)境中自然不會(huì)出現(xiàn)冰。這種矛盾的類似例子可能是一只北極熊出現(xiàn)在熱帶雨林中，因?yàn)楸睒O熊適應(yīng)于寒冷、覆蓋著冰的環(huán)境，在炎熱潮濕的氣候中無(wú)法生存。這種并置創(chuàng)造了一個(gè)引人注目且超現(xiàn)實(shí)的視覺(jué)效果，挑戰(zhàn)觀眾的期待，并可能引發(fā)人們對(duì)氣候變化、環(huán)境適應(yīng)或不同生態(tài)系統(tǒng)融合的思考。

同時(shí)，正如 ChatGPT+DALLE3 的夢(mèng)幻結(jié)合一樣，Mini-Gemini 的推理生成功能還可以在多輪對(duì)話中通過(guò)簡(jiǎn)單指令生成連環(huán)小故事。

比方說(shuō)，讓它根據(jù)用戶輸入講一個(gè)貴族小老鼠的故事。Mini-Gemini 會(huì)根據(jù)前文的文字生成結(jié)果和用戶輸入進(jìn)行推理，在保持一致性的情況下對(duì)圖片進(jìn)行修改，使其更符合用戶的要求。

當(dāng)然，Mini-Gemini 對(duì)于多模態(tài)模型的傳統(tǒng)技能圖片理解也不在話下。比如讓模型理解輸入曲線圖（上圖）的數(shù)學(xué)意義（高斯分布），并讓它使用代碼復(fù)現(xiàn)這張圖，通過(guò)運(yùn)行生成的代碼，模型可以高質(zhì)量地還原曲線圖，節(jié)省了復(fù)現(xiàn)的時(shí)間。

又或者讓 Mini-Gemini 理解梗圖，通過(guò)其強(qiáng)大的 OCR 和推理能力，也可以準(zhǔn)確指出笑點(diǎn)。

高清復(fù)雜的多圖表理解和歸納也是小菜一碟。

Mini-Gemini 背后的技術(shù)

大道至簡(jiǎn)，Mini-Gemini的整體思路并不復(fù)雜。其中的Gemini(雙子座)表達(dá)的是使用視覺(jué)雙分支的信息挖掘(Mining-Info in Gemini)解決高清圖像理解問(wèn)題。

詳細(xì)來(lái)說(shuō)，Mini-Gemini 將傳統(tǒng)所使用的 ViT 當(dāng)做低分辨率的 Query，而使用卷積網(wǎng)絡(luò) (ConvNet) 將高分辨率的圖像編碼成 Key 和 Value。使用 Transformer 中常用的 Attention 機(jī)制，來(lái)挖掘每個(gè)低分辨率 Query 所對(duì)應(yīng)的高分辨率區(qū)域。從而在保持最終視覺(jué) Token 數(shù)目不變的情況下去提升對(duì)高清圖像的響應(yīng)，保證了在大語(yǔ)言模型 (LLM) 中對(duì)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(wǎng)絡(luò)的使用，可以根據(jù)需要對(duì)圖像所需的分辨率自適應(yīng)調(diào)整，能夠遇強(qiáng)則強(qiáng)。對(duì)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(gè)模型，類似于 DALLE3 的流程。

而對(duì)于數(shù)據(jù)這個(gè)萬(wàn)金油，Mini-Gemini 進(jìn)一步收集并優(yōu)化了訓(xùn)練數(shù)據(jù)的模型結(jié)合的文本數(shù)據(jù)進(jìn)行訓(xùn)練。在僅使用 2-3M 數(shù)據(jù)的情況下，實(shí)現(xiàn)了對(duì)圖像理解、推理、和生成的統(tǒng)一流程。

實(shí)驗(yàn)結(jié)果

Mini-Gemini 在各種 Zero-shot 的榜單上毫不遜色于各種大廠用大量數(shù)據(jù)訓(xùn)練出來(lái)的模型，可謂是 “平、靚、正” ！

量化指標(biāo)

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(gè)版本都取得了相似參數(shù)量下領(lǐng)先的效果，在許多指標(biāo)上甚至超越 Gemini Pro 和 GPT-4V。