Penyelidik dari Cambridge, NAIST dan Tencent AI Lab baru-baru ini mengeluarkan hasil penyelidikan yang dipanggil PandaGPT, yang merupakan kaedah untuk menjajarkan dan mengikat model bahasa besar dengan modaliti berbeza untuk mencapai Teknik rentas modaliti untuk kebolehan mengikut arahan. PandaGPT boleh menyelesaikan tugas yang rumit seperti menjana penerangan imej terperinci, menulis cerita daripada video dan menjawab soalan tentang audio. Ia boleh menerima input berbilang modal secara serentak dan menggabungkan semantiknya secara semula jadi.
Untuk merealisasikan imej & video, teks, audio, haba peta , peta kedalaman, bacaan IMU, keupayaan mengikut arahan dalam enam mod, PandaGPT menggabungkan pengekod berbilang mod ImageBind dengan model bahasa besar Vicuna (seperti yang ditunjukkan dalam rajah di atas).
Untuk menyelaraskan ruang ciri pengekod berbilang mod ImageBind dan model bahasa besar Vicuna, PandaGPT menggunakan sejumlah 160k arahan bahasa berasaskan imej yang dikeluarkan dengan menggabungkan LLaVa dan Mini-GPT4 Ikut data sebagai data latihan. Setiap contoh latihan terdiri daripada imej dan set pusingan dialog yang sepadan.
Untuk mengelakkan memusnahkan sifat penjajaran pelbagai mod ImageBind itu sendiri dan mengurangkan kos latihan, PandaGPT hanya mengemas kini modul berikut:
Dalam eksperimen, pengarang menunjukkan keupayaan PandaGPT untuk memahami modaliti yang berbeza, termasuk soalan dan jawapan berasaskan imej/video, penulisan kreatif berasaskan imej/video, berasaskan maklumat visual dan pendengaran Penaakulan dan banyak lagi, berikut ialah beberapa contoh:
Imej:
Audio:
Video:
Berbanding dengan model bahasa berbilang modal yang lain, ciri paling menonjol PandaGPT ialah keupayaannya untuk memahami dan menggabungkan maklumat secara semula jadi daripada modaliti yang berbeza.
Video + Audio:
Imej + Audio:
Pengarang juga merumuskan banyak masalah semasa PandaGPT dan hala tuju pembangunan masa depannya. Walaupun PandaGPT mempunyai keupayaan luar biasa untuk mengendalikan pelbagai modaliti dan gabungannya, masih terdapat banyak cara untuk meningkatkan prestasi PandaGPT dengan lebih baik.
Akhir sekali, penulis menekankan bahawa PandaGPT hanyalah prototaip penyelidikan dan belum bersedia untuk aplikasi terus dalam persekitaran pengeluaran.
Atas ialah kandungan terperinci Cambridge, Tencent AI Lab dan lain-lain mencadangkan model bahasa besar PandaGPT: satu model menyatukan enam modaliti. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!