最近多模態(tài)大模型是真熱鬧啊。

這不，Transformer一作攜團(tuán)隊(duì)也帶來(lái)了新作，一個(gè)規(guī)模為80億參數(shù)的多模態(tài)大模型Fuyu-8B。

而且發(fā)布即開(kāi)源，模型權(quán)重在Hugging Face上可以看到。

該模型具備強(qiáng)大的圖像理解能力。

照片、圖表、PDF、界面UI都不在話下。

能從這么一張復(fù)雜的食物網(wǎng)里理清楚各個(gè)生物之間的關(guān)系。

提問(wèn)：道格拉斯冷杉針葉缺失了，哪種生物會(huì)滅絕？

回答：紅樹(shù)田鼠。

也能從密密麻麻的連線圖里找到，權(quán)游“小指頭”扮演者Aidan Gillen出演過(guò)HBO兩個(gè)系列的劇。

看得懂專(zhuān)業(yè)圖表，可以幫你找到想要的數(shù)據(jù)。

提問(wèn)：（左圖）24、32、33、42這組數(shù)字序列中丟了哪個(gè)數(shù)？
回答：29

一張包含多個(gè)圖表的PDF也難不倒它。提問(wèn)：加州哪里的工作前景不錯(cuò)？

Fuyu-8B可以準(zhǔn)確找到對(duì)應(yīng)的信息塊，并給出正確答案“洛杉磯”。

而且Fuyu-8B的處理速度很快，研究團(tuán)隊(duì)表示100毫秒內(nèi)可反饋大圖像處理結(jié)果。

同時(shí)它還很“輕巧”，不僅模型規(guī)模沒(méi)超百億，還沒(méi)有使用圖像編碼器。

這讓它能更快速進(jìn)行訓(xùn)練和推理，并支持處理任意大小圖像。

Hugging Face聯(lián)創(chuàng)兼CTO看了都有點(diǎn)激動(dòng)，表示假如自己還沒(méi)有創(chuàng)業(yè)，那么這個(gè)項(xiàng)目會(huì)啟發(fā)他做點(diǎn)什么。

該成果來(lái)自Transformer一作Ashish Vaswani所在創(chuàng)業(yè)公司Adept。

目前該模型已開(kāi)源，demo可線上試玩。

一個(gè)只有解碼器的Transformer

現(xiàn)在在Hugging Face上即可體驗(yàn)Fuyu-8B的能力。

Demo中提供了兩種任務(wù)。

• 看圖問(wèn)答
• 圖像概述

可以上傳一張圖片然后對(duì)大模型進(jìn)行提問(wèn)。

或者是直接讓它看圖然后描述圖片內(nèi)容。

大模型的常識(shí)水平不錯(cuò)，比如問(wèn)它一道甜點(diǎn)是怎么做的？

它給出的回答是：

這道甜點(diǎn)是用一層層的酥皮做成的，上面點(diǎn)綴著開(kāi)心果和帕瑪森奶酪。

測(cè)試了下中文能力，發(fā)現(xiàn)它能理解中文，但是“習(xí)慣性”用英文回答。

模型采用了一種簡(jiǎn)單的架構(gòu)：純解碼器Transformer。

它沒(méi)有圖像編碼器。圖像塊（image patch）繞過(guò)embedding lookup，即在嵌入矩陣中查找特定輸入的過(guò)程，直接映射到Transformer的第一層。

這種架構(gòu)使得模型能支持任意圖像分辨率。

研究團(tuán)隊(duì)刪除了圖像特定位置嵌入，并按掃描線順序（raster-scan order）輸入盡可能多的圖像token。

通過(guò)一個(gè)特殊的圖像轉(zhuǎn)換行符號(hào)，模型能知道在什么時(shí)候斷行。

由此模型在訓(xùn)練時(shí)可以使用任意大小的圖像。

這種架構(gòu)也更進(jìn)一步簡(jiǎn)化了模型的訓(xùn)練和推理過(guò)程。

這種架構(gòu)模式也引起了不少網(wǎng)友的關(guān)注，有人就表示，之前總覺(jué)得大模型圖像理解能力差是因?yàn)槭褂昧斯潭ù笮〉膒atch。

但Fuyu-8B反駁了他的這一想法。

實(shí)驗(yàn)結(jié)果顯示Fuyu-8B在多個(gè)任務(wù)中性能優(yōu)于PaLM-e-12B和QWEN-VL（10B）。

研究團(tuán)隊(duì)還表示，刷榜不是他們本次工作的最終目的，所以模型沒(méi)有進(jìn)行優(yōu)化。

他們構(gòu)建這個(gè)大模型的真正目的是為了提升自家產(chǎn)品的能力。

Adept團(tuán)隊(duì)致力于打造一個(gè)AI Copilot。

這個(gè)Copilot能夠理解用戶屏幕上的內(nèi)容（比如網(wǎng)頁(yè)、PPT、PDF、圖表等），并能輔助人類(lèi)快速完成工作。

這就要求大模型需要能理解環(huán)境信息，同時(shí)可以代替人類(lèi)進(jìn)行操作。換言之，需要大模型能具備超強(qiáng)的圖像理解能力。

所以這也是為啥Fuyu-8B會(huì)很強(qiáng)調(diào)對(duì)UI的理解能力。

比如它能理解你打開(kāi)的窗口，以及窗口內(nèi)的信息。

Adept：新晉獨(dú)角獸

帶來(lái)這一新工作的團(tuán)隊(duì)是Adept。

這是一家由Transformer一作、前OpenAI工程副總裁等業(yè)內(nèi)大佬共同創(chuàng)立的AI公司。

它成立于2022年4月。目前已完成B輪融資，總?cè)谫Y額達(dá)4.15億美元，公司估值超過(guò)10億美元。

首席科學(xué)家是Ashish Vaswani。他是《Attention is all you need》的第一作者，平常看論文時(shí)經(jīng)常出現(xiàn)的“(Vaswani et al., 2017)”就是這位大佬。

他博士畢業(yè)于南加州大學(xué)，在谷歌大腦工作已有5年。

Transformer的另一位作者Niki Parmar也加入了該團(tuán)隊(duì)。
她在印度上完大學(xué)后，同樣在南加州大學(xué)讀完碩士，在谷歌工作了近7年。

創(chuàng)始人兼CEO David Luan，是前OpenAI加州實(shí)驗(yàn)室工程副總裁，參與過(guò)GPT-2、GPT-3、CLIP、DALL-E等模型的開(kāi)發(fā)，后來(lái)加入谷歌，曾任谷歌大腦大模型研究的Director。

Adept致力于打造一個(gè)AI Copilot。

團(tuán)隊(duì)在去年推出的首項(xiàng)工作，就頗有AutoGPT那感覺(jué)。

他們打造的Action Transformer（ACT-1），會(huì)使用瀏覽器、Excel等，能理解人類(lèi)給出的命令并完成相應(yīng)操作。

比如想要在Excel表格中加上利潤(rùn)、利潤(rùn)率，只需把這段話輸入給AI，它就能自己在對(duì)應(yīng)行列創(chuàng)建公式完成任務(wù)了。

同時(shí)該團(tuán)隊(duì)還非常關(guān)注開(kāi)源工作。

今年先后推出的兩項(xiàng)工作Persimmon-8B和Fuyu-8B，都已對(duì)外開(kāi)源。

Demo試玩：https://huggingface.co/spaces/adept/fuyu-8b-demo