刷爆多模态任务榜单，超强视觉语言模型Mini-Gemini来了！

效果堪称是开源社区版的GPT-4+DALL-E 3王炸组合。

不仅如此，这款由港中文终身教授贾佳亚团队提出的多模态模型，一经发布便登上了PaperWithCode热榜。

具体来说，Mini-Gemini提供了2B小杯到34B的超大杯的不同选择。

凭借超强的图文理解力，Mini-Gemini在多个指标上，直接媲美Gemini Pro，GPT-4V。

目前，研究团队将Mini-Gemini的代码、模型、数据全部开源。

更有意思的是，超会玩梗的Mini-Gemini线上Demo已经发布，人人皆可上手试玩。

Mini-Gemini Demo放出后受到广大网友关注，一番「尝鲜」后，有人认为：Mini-Gemini跟商业模型差不了多少！

为何这么说？

图片理解天花板

当前，绝大多数多模态模型仅支持低分辨率图像输入和文字输出。

而在实际场景中，许多任务都需要对高清图像进行解析，并用图像的形式进行展现。

举个例子，Mini-Gemini能够看懂面包九宫格图片教程，并进行手把手教学。

拍一张苹果店Mac电脑信息图，Mini-Gemini能够将两种尺寸的Mac不同参数进行对比。

有网友看过后表示，「妈妈再也不用担心我的生活了」。

更重要的是，Mini-Gemini在保留超强的图像理解和推理能力的同时，还解锁了图像的生成能力，就如同ChatGPT和生成模型的结合。

下面，让我们通过几个例子来更直观地感受这种能力：

推理再生成，更精准了

还记得谷歌Gemini的官方演示视频么？

当用户给出两个毛线团并问出能用它们做什么时，Gemini可以识别出图片内容并给出相应的建议。

当我们把相似的输入给到Mini-Gemini，它会怎么回答呢？

可以发现，Mini-Gemini也可以识别出图片中的元素，并且合理地建议，同时生成了一只对应的毛线小熊。

通过一些抽象的多模态指令来让模型给出推理，并生成合适的图片，这个操作就很像是ChatGPT和DALLE3的联动了！

接下来让Mini-Gemini做自己最擅长的推理和图片理解，看看它表现。

比如，理解图片中的矛盾点并举一反三。

输入冰川中的仙人掌，它会解释其中的矛盾并生成一张热带雨林中北极熊的图片：

图片呈现了仙人掌的典型栖息地与冰的存在之间的视觉矛盾，因为在沙漠环境中自然不会出现冰。

Mini-Gemini正是理解了这种矛盾点，才生成了一张北极熊出现在热带雨林的图片。

这种并置创造了一个引人注目且超现实的视觉效果，挑战观众的期待，并可能引发人们对气候变化、环境适应或不同生态系统融合的思考。

同时，正如ChatGPT+DALLE3的梦幻结合一样，Mini-Gemini的「推理生成」功能还可以在多轮对话中通过简单指令生成连环小故事。

比方说，让它根据用户输入讲一个贵族小老鼠的故事。

Mini-Gemini会根据前文的文字生成结果和用户输入进行推理，在保持一致性的情况下对图片进行修改，使其更符合用户的要求。

当然，Mini-Gemini对于多模态模型的传统技能图片理解也不在话下。

比方让模型理解输入曲线图的数学意义（高斯分布），并让它使用代码复现这张图。

通过运行生成的代码，模型可以高质量地还原曲线图，节省了复现的时间。

超会玩梗

又或者让Mini-Gemini理解梗图，通过其强大的OCR和推理能力，也可以准确指出笑点。

一张将麦当劳P成GYM表情包，外加对话图，搞笑点在哪？

Mini-Gemini可以准确理解图中讽刺含义，并给出了正确的解释。

还有这张「当某媒体说AI将接管世界，实际上我的神经网络连猫未能识别」的梗图。

Mini-Gemini也是可以理解，是在说AI犯错的例子，并且与公众接受到的预期并不一样。

图中细节的幽默之处，它都能get得明明白白。

高清复杂的多图表理解和归纳也是小菜一碟，Mini-Gemini直接秒变打工人效率提升的超级外挂。

英文图表太复杂，读起来太费脑子？它直观地用中文整理出了内容——「比较不同笼养系统中母鸡所承受的平均疼痛天数」。

技术细节

如上演示中，Mini-Gemini是怎样做到这种惊艳的效果呢？

论文地址：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

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

大道至简，Mini-Gemini的整体思路并不复杂。其中的Gemini（双子座）表达的是使用视觉双分支的信息挖掘（Miraing-Info in Gemini）解决高清图像理解问题。

而其中的核心在于三点：

（1）用于高清图像的双编码器机制；

（2）更高质量的数据；

（3）训练阶段结合生成模型数据拓展。

详细来说，Mini-Gemini将传统所使用的ViT当做低分辨率的Query，而使用卷积网络（ConvNet）将高分辨率的图像编码成Key和Value。

使用Transformer中常用的Attention机制，来挖掘每个低分辨率Query所对应的高分辨率区域。

从而在保持最终视觉Token数目不变的情况下去提升对高清图像的响应，保证了在大语言模型（LLM）中对于高清图像的高效编码。

值得一提的是，由于高分辨率分支卷积网络的使用，可以根据需要对图像所需的分辨率自适应调整，能够遇强则强。

对于图像的生成部分，Mini-Gemini借助了SDXL，使用LLM推理后所生成的文本链接两个模型，类似于DALLE3的流程。

而对于数据这个「万金油」，Mini-Gemini进一步收集并优化了训练数据的质量，并加入了跟生成模型结合的文本数据进行训练。

在仅使用2-3M数据的情况下，实现了对图像理解、推理、和生成的统一流程。

Mini-Gemini在各种Zero-shot的榜单上毫不逊色于各种大厂用大量数据训练出来的模型，可谓是「平、靓、正」 ！

可以看出，Mini-Gemini提供了多种普通和高清版本的模型，并且覆盖了2B的小杯到34B的超大杯。

各个版本都取得了相似参数量下领先的效果，在许多指标上甚至超越Gemini Pro和GPT-4V。

人人在线可玩

值得一提的是，Mini-Gemini的图像理解和生成能力已经出了Demo，可以在线跟自定义图像对话的那种。

操作也极其简单，直接跟输入图像或文字进行对话即可，欢迎来撩！

本文来自微信公众号“新智元”