刷爆多模態任務榜單！賈佳亞團隊Mini-Gemini登熱榜，代碼、模型、數據全部開源

作者：機器之心 2024-04-15 12:28:00

Mini-Gemini 堪比 GPT4+DALLE3 王炸組合。

更高清圖像的精確理解、更高質量的訓練數據、更強的圖像解析推理能力，還能結合圖像推理和生成，香港中文大學終身教授賈佳亞團隊提出的這款多模態模型 Mini-Gemini 堪稱絕絕子，相當于開源社區的 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
數據地址：https://huggingface.co/collections/YanweiLi/mini-gemini-data-660463ea895a01d8f367624e

Mini-Gemini 還提供了 2B 小杯到 34B 的超大杯，最強模型在多個指標上相比 Google Gemini Pro 甚至 GPT-4V 都不遑多讓。目前，Mini-Gemini 從代碼、模型、到數據已全部開源，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出了 Demo，可以在線跟自定義圖像對話的那種。

操作也極其簡單，直接跟輸入圖像或文字進行對話即可，歡迎來撩！

Mini-Gemini Demo 放出后受到廣大網友關注，一番 “品嘗” 后，他們認為 Mini-Gemini 跟商業模型差不了多少！

效果展示

目前，絕大多數多模態模型僅支持低分辨率圖像輸入和文字輸出，而在實際場景中，許多任務都需要對高清圖像進行解析，并用圖像的形式進行展現。

如上圖所示，Mini-Gemini 不僅能夠根據圖片對做面包的過程進行手把手教學，也能夠準確將不同電腦根據圖片中的各種參數進行對比。網友表示：媽媽再也不用擔心我的生活了。

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

下面，讓我們通過幾個例子來更直觀地感受這種能力：

還記得 Google Gemini 的官方演示視頻么？當用戶給出兩個毛線團并問出能用它們做什么時，Gemini 可以識別出圖片內容并給出相應的建議。

當我們把相似的輸入給到 Mini-Gemini，它會怎么回答呢？

可以發現，Mini-Gemini 也可以識別出圖片中的元素，并且給出合理的建議，同時生成了一只對應的毛線小熊。

通過一些抽象的多模態指令來讓模型給出推理，并生成合適的圖片，這個操作就很像是 ChatGPT 和 DALLE3 的聯動了！

接下來讓 Mini-Gemini 做自己最擅長的推理和圖片理解，看看它表現：

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

圖片呈現了仙人掌的典型棲息地與冰的存在之間的視覺矛盾，因為在沙漠環境中自然不會出現冰。這種矛盾的類似例子可能是一只北極熊出現在熱帶雨林中，因為北極熊適應于寒冷、覆蓋著冰的環境，在炎熱潮濕的氣候中無法生存。這種并置創造了一個引人注目且超現實的視覺效果，挑戰觀眾的期待，并可能引發人們對氣候變化、環境適應或不同生態系統融合的思考。

同時，正如 ChatGPT+DALLE3 的夢幻結合一樣，Mini-Gemini 的推理生成功能還可以在多輪對話中通過簡單指令生成連環小故事。

比方說，讓它根據用戶輸入講一個貴族小老鼠的故事。Mini-Gemini 會根據前文的文字生成結果和用戶輸入進行推理，在保持一致性的情況下對圖片進行修改，使其更符合用戶的要求。

當然，Mini-Gemini 對于多模態模型的傳統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）的數學意義（高斯分布），并讓它使用代碼復現這張圖，通過運行生成的代碼，模型可以高質量地還原曲線圖，節省了復現的時間。

又或者讓 Mini-Gemini 理解梗圖，通過其強大的 OCR 和推理能力，也可以準確指出笑點。

高清復雜的多圖表理解和歸納也是小菜一碟。

Mini-Gemini 背后的技術

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

詳細來說，Mini-Gemini 將傳統所使用的 ViT 當做低分辨率的 Query，而使用卷積網絡 (ConvNet) 將高分辨率的圖像編碼成 Key 和 Value。使用 Transformer 中常用的 Attention 機制，來挖掘每個低分辨率 Query 所對應的高分辨率區域。從而在保持最終視覺 Token 數目不變的情況下去提升對高清圖像的響應，保證了在大語言模型 (LLM) 中對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絡的使用，可以根據需要對圖像所需的分辨率自適應調整，能夠遇強則強。對于圖像的生成部分，Mini-Gemini 借助了 SDXL，使用 LLM 推理后所生成的文本鏈接兩個模型，類似于 DALLE3 的流程。