


Compréhension approfondie des graphiques : ChartLlama, géants des graphiques open source tels que Tencent et Nanyang Polytechnic
Dans le domaine de la compréhension d'images, les grands modèles multimodaux ont pleinement démontré leurs excellentes performances. Cependant, il reste encore des améliorations à apporter aux modèles multimodaux existants pour la compréhension des diagrammes et les tâches de génération qui sont souvent traitées dans le cadre du travail.
Bien que les modèles de pointe actuels dans le domaine de la compréhension des graphes fonctionnent bien sur des ensembles de tests simples, ils sont incapables de gérer des tâches de questions et réponses plus complexes en raison de leur manque de compréhension du langage et de capacités de sortie. D’un autre côté, les performances des grands modèles multimodaux entraînés sur la base de grands modèles de langage sont également insatisfaisantes, principalement en raison de leur manque d’échantillons d’entraînement pour les graphiques. Ces problèmes ont sérieusement limité la progression continue des modèles multimodaux dans les tâches de compréhension et de génération de graphiques
Récemment, Tencent, l'Université technologique de Nanyang et l'Université du Sud-Est ont proposé ChartLlama. L’équipe de recherche a créé un ensemble de données graphiques de haute qualité et formé un modèle de langage multimodal à grande échelle axé sur la compréhension des graphiques et les tâches de génération. ChartLlama combine plusieurs fonctions telles que le traitement du langage et la génération de graphiques pour fournir un outil de recherche puissant aux chercheurs scientifiques et aux professionnels associés.
Adresse papier : https://arxiv.org/abs/2311.16483
Adresse de la page d'accueil : https://tingxueronghua.github.io/ChartLlama/
L'équipe ChartLlama a conçu un Une stratégie intelligente de collecte de données diversifiées qui utilise GPT-4 pour générer des données avec des thèmes, des distributions et des tendances spécifiques afin de garantir la diversité de l'ensemble de données. L'équipe a combiné des bibliothèques de traçage open source avec les capacités de programmation de GPT-4 pour écrire un code graphique précis afin de produire des représentations graphiques précises des données. De plus, l'équipe utilise également GPT-4 pour décrire le contenu du graphique et générer des paires de questions et réponses, générant des échantillons de formation riches et diversifiés pour chaque graphique afin de garantir que le modèle formé peut pleinement comprendre le graphique
Dans le domaine de la compréhension des graphiques, les modèles traditionnels ne peuvent répondre qu'à quelques questions simples, telles que des tâches simples de questions et réponses telles que la lecture de chiffres, et ne peuvent pas répondre à des questions plus complexes. Ces modèles ont du mal à suivre de longues instructions et commettent souvent des erreurs dans les questions et réponses impliquant des opérations mathématiques. En revanche, ChartLlama peut efficacement éviter ces problèmes. La comparaison spécifique est la suivante :
En plus des tâches traditionnelles, l'équipe de recherche a également défini plusieurs nouvelles tâches, dont trois tâches impliquant la génération de graphiques. Le document fournit des exemples pertinents :
Étant donné un graphique et des instructions, des exemples de reconstruction et d'édition de graphiques
Le processus de génération d'exemples de graphiques est basé sur des instructions et des données brutes
ChartLlama effectue bien sur divers ensembles de données de référence, atteignant des performances de pointe tout en nécessitant moins de données d'entraînement. Il adopte une méthode flexible de génération et de collecte de données, élargit considérablement les types de graphiques et les types de tâches dans les tâches de compréhension et de génération de graphiques, et favorise le développement du domaine
Aperçu de la méthode
ChartLlama a conçu une collecte de données flexible méthodes, tirant parti du langage puissant et des capacités de programmation de GPT-4 pour créer de riches ensembles de données graphiques multimodaux. La collecte de données de
ChartLlama comprend trois étapes principales :
- Génération de données graphiques : ChartLlama collecte non seulement des données à partir de sources de données traditionnelles, mais exploite également la puissance de GPT-4 pour générer des données synthétiques. GPT-4 est guidé pour produire des données graphiques diverses et équilibrées en fournissant des fonctionnalités spécifiques telles que des sujets, des distributions et des tendances. Étant donné que les données générées contiennent des caractéristiques de distribution de données connues, cela rend la construction de données d'instructions plus flexible et plus diversifiée.
- Génération de graphiques : Ensuite, en utilisant les puissantes capacités de programmation de GPT-4, utilisez des bibliothèques open source (telles que Matplotlib) pour écrire des scripts de dessin de graphiques basés sur les données et les documents de fonctions générés, et générez une série de graphiques soigneusement graphiques rendus. Étant donné que le dessin de graphiques est entièrement basé sur des outils open source, cet algorithme peut générer davantage de types de graphiques pour la formation. Par rapport aux ensembles de données existants, tels que ChatQA, qui ne prend en charge que trois types de graphiques, l'ensemble de données créé par ChartLlama prend en charge jusqu'à 10 types de graphiques et peut être arbitrairement étendu.
-
Génération de données d'instruction : en plus du rendu du graphique, ChartLlama utilise en outre GPT-4 pour décrire le contenu du graphique et construire une variété de données de questions et réponses afin de garantir que le modèle formé peut pleinement comprendre le graphique. Ce corpus complet adapté aux instructions intègre du texte narratif, des paires de questions-réponses et du code source ou modifié pour les diagrammes. Les ensembles de données précédents ne prenaient en charge que 1 à 3 tâches de compréhension de graphiques, tandis que ChartLlama prend en charge jusqu'à 10 tâches de compréhension et de génération de graphiques, ce qui peut mieux aider à former de grands modèles graphiques et de texte pour comprendre les informations contenues dans les icônes
En utilisant les étapes ci-dessus, ChartLlama a créé un ensemble de données contenant plusieurs tâches et plusieurs types de graphiques. Les proportions des différents types de tâches et de graphiques dans l'ensemble total de données sont les suivantes :
Veuillez vous référer au texte original de l'article pour des instructions et des instructions plus détaillées
Résultats expérimentaux
Qu'elle soit traditionnelle Que la tâche soit nouvelle ou nouvelle, ChartLlama affiche les meilleures performances. Les tâches traditionnelles incluent les questions et réponses sur les graphiques, le résumé des graphiques et l'extraction de données structurées des graphiques. En comparant ChartLlama avec les modèles de pointe précédents, les résultats sont présentés dans la figure ci-dessous :
Les chercheurs ont également évalué les capacités de tâches uniques de ChartLlama, notamment la génération de code de graphique, la synthèse de graphiques et l'édition de graphiques. Ils ont également créé un ensemble de tests pour la tâche correspondante et l'ont comparé à LLaVA-1.5, le modèle graphique et textuel open source le plus puissant actuellement. Voici les résultats :
L'équipe de recherche a testé la précision des questions-réponses de ChartLlama dans une variété de différents types de graphiques et l'a comparée au modèle SOTA précédent d'Unichart et au modèle de base proposé. Les résultats sont les suivants :
Dans l'ensemble, ChartLlama repousse non seulement les limites de l'apprentissage multimodal, mais fournit également des outils plus précis et efficaces pour la compréhension et la génération de graphiques. Que ce soit dans la rédaction académique ou les présentations d'entreprise, ChartLlama rendra la compréhension et la création de graphiques plus intuitives et efficaces, franchissant ainsi une étape importante dans la génération et l'interprétation de données visuelles complexes.
Les lecteurs intéressés peuvent consulter le texte original de l'article pour plus de contenu de recherche
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Imaginez un modèle d'intelligence artificielle qui non seulement a la capacité de surpasser l'informatique traditionnelle, mais qui permet également d'obtenir des performances plus efficaces à moindre coût. Ce n'est pas de la science-fiction, DeepSeek-V2[1], le modèle MoE open source le plus puissant au monde est ici. DeepSeek-V2 est un puissant mélange de modèle de langage d'experts (MoE) présentant les caractéristiques d'une formation économique et d'une inférence efficace. Il est constitué de 236B paramètres, dont 21B servent à activer chaque marqueur. Par rapport à DeepSeek67B, DeepSeek-V2 offre des performances plus élevées, tout en économisant 42,5 % des coûts de formation, en réduisant le cache KV de 93,3 % et en augmentant le débit de génération maximal à 5,76 fois. DeepSeek est une entreprise explorant l'intelligence artificielle générale

Plus tôt ce mois-ci, des chercheurs du MIT et d'autres institutions ont proposé une alternative très prometteuse au MLP – KAN. KAN surpasse MLP en termes de précision et d’interprétabilité. Et il peut surpasser le MLP fonctionnant avec un plus grand nombre de paramètres avec un très petit nombre de paramètres. Par exemple, les auteurs ont déclaré avoir utilisé KAN pour reproduire les résultats de DeepMind avec un réseau plus petit et un degré d'automatisation plus élevé. Plus précisément, le MLP de DeepMind compte environ 300 000 paramètres, tandis que le KAN n'en compte qu'environ 200. KAN a une base mathématique solide comme MLP est basé sur le théorème d'approximation universelle, tandis que KAN est basé sur le théorème de représentation de Kolmogorov-Arnold. Comme le montre la figure ci-dessous, KAN a

Boston Dynamics Atlas entre officiellement dans l’ère des robots électriques ! Hier, l'Atlas hydraulique s'est retiré "en larmes" de la scène de l'histoire. Aujourd'hui, Boston Dynamics a annoncé que l'Atlas électrique était au travail. Il semble que dans le domaine des robots humanoïdes commerciaux, Boston Dynamics soit déterminé à concurrencer Tesla. Après la sortie de la nouvelle vidéo, elle a déjà été visionnée par plus d’un million de personnes en seulement dix heures. Les personnes âgées partent et de nouveaux rôles apparaissent. C'est une nécessité historique. Il ne fait aucun doute que cette année est l’année explosive des robots humanoïdes. Les internautes ont commenté : Les progrès des robots ont fait ressembler la cérémonie d'ouverture de cette année à des êtres humains, et le degré de liberté est bien plus grand que celui des humains. Mais n'est-ce vraiment pas un film d'horreur ? Au début de la vidéo, Atlas est allongé calmement sur le sol, apparemment sur le dos. Ce qui suit est à couper le souffle

L’IA change effectivement les mathématiques. Récemment, Tao Zhexuan, qui a prêté une attention particulière à cette question, a transmis le dernier numéro du « Bulletin de l'American Mathematical Society » (Bulletin de l'American Mathematical Society). En se concentrant sur le thème « Les machines changeront-elles les mathématiques ? », de nombreux mathématiciens ont exprimé leurs opinions. L'ensemble du processus a été plein d'étincelles, intense et passionnant. L'auteur dispose d'une équipe solide, comprenant Akshay Venkatesh, lauréat de la médaille Fields, le mathématicien chinois Zheng Lejun, l'informaticien de l'Université de New York Ernest Davis et de nombreux autres universitaires bien connus du secteur. Le monde de l’IA a radicalement changé. Vous savez, bon nombre de ces articles ont été soumis il y a un an.

Les performances de JAX, promu par Google, ont dépassé celles de Pytorch et TensorFlow lors de récents tests de référence, se classant au premier rang sur 7 indicateurs. Et le test n’a pas été fait sur le TPU présentant les meilleures performances JAX. Bien que parmi les développeurs, Pytorch soit toujours plus populaire que Tensorflow. Mais à l’avenir, des modèles plus volumineux seront peut-être formés et exécutés sur la base de la plate-forme JAX. Modèles Récemment, l'équipe Keras a comparé trois backends (TensorFlow, JAX, PyTorch) avec l'implémentation native de PyTorch et Keras2 avec TensorFlow. Premièrement, ils sélectionnent un ensemble de

La technologie de détection et de reconnaissance des visages est déjà une technologie relativement mature et largement utilisée. Actuellement, le langage d'application Internet le plus utilisé est JS. La mise en œuvre de la détection et de la reconnaissance faciale sur le front-end Web présente des avantages et des inconvénients par rapport à la reconnaissance faciale back-end. Les avantages incluent la réduction de l'interaction réseau et de la reconnaissance en temps réel, ce qui réduit considérablement le temps d'attente des utilisateurs et améliore l'expérience utilisateur. Les inconvénients sont les suivants : il est limité par la taille du modèle et la précision est également limitée ; Comment utiliser js pour implémenter la détection de visage sur le web ? Afin de mettre en œuvre la reconnaissance faciale sur le Web, vous devez être familier avec les langages et technologies de programmation associés, tels que JavaScript, HTML, CSS, WebRTC, etc. Dans le même temps, vous devez également maîtriser les technologies pertinentes de vision par ordinateur et d’intelligence artificielle. Il convient de noter qu'en raison de la conception du côté Web

Nouveau SOTA pour des capacités de compréhension de documents multimodaux ! L'équipe Alibaba mPLUG a publié le dernier travail open source mPLUG-DocOwl1.5, qui propose une série de solutions pour relever les quatre défis majeurs que sont la reconnaissance de texte d'image haute résolution, la compréhension générale de la structure des documents, le suivi des instructions et l'introduction de connaissances externes. Sans plus tarder, examinons d’abord les effets. Reconnaissance et conversion en un clic de graphiques aux structures complexes au format Markdown : Des graphiques de différents styles sont disponibles : Une reconnaissance et un positionnement de texte plus détaillés peuvent également être facilement traités : Des explications détaillées sur la compréhension du document peuvent également être données : Vous savez, « Compréhension du document " est actuellement un scénario important pour la mise en œuvre de grands modèles linguistiques. Il existe de nombreux produits sur le marché pour aider à la lecture de documents. Certains d'entre eux utilisent principalement des systèmes OCR pour la reconnaissance de texte et coopèrent avec LLM pour le traitement de texte.

La dernière vidéo du robot Optimus de Tesla est sortie, et il peut déjà fonctionner en usine. À vitesse normale, il trie les batteries (les batteries 4680 de Tesla) comme ceci : Le responsable a également publié à quoi cela ressemble à une vitesse 20 fois supérieure - sur un petit "poste de travail", en sélectionnant et en sélectionnant et en sélectionnant : Cette fois, il est publié L'un des points forts de la vidéo est qu'Optimus réalise ce travail en usine, de manière totalement autonome, sans intervention humaine tout au long du processus. Et du point de vue d'Optimus, il peut également récupérer et placer la batterie tordue, en se concentrant sur la correction automatique des erreurs : concernant la main d'Optimus, le scientifique de NVIDIA Jim Fan a donné une évaluation élevée : la main d'Optimus est l'un des robots à cinq doigts du monde. le plus adroit. Ses mains ne sont pas seulement tactiles
