华科大研发出具备出色“看图说话”能力的人工智能“小猴子”

12月11日，记者从华中科技大学获悉，该校软件学院白翔教授领衔的VLRLab团队近日发布了多模态大模型——“Monkey”。该模型能够实现对世界的“观察”，对图片进行精确描述。

多模态大模型是一种可以同时处理和整合多种感知数据的AI架构，近年来在众多场景中展现了惊人的能力。

据介绍，Monkey模型在18个数据集上的实验中表现出色，特别是在图像描述和视觉问答任务方面超越了众多现有的知名模型，如微软的LLaVA、谷歌的PaLM-E、阿里的mPLUG-Owl等。此外，Monkey在文本密集的问答任务中显示出显著的优势，甚至在某些样本上超越了业界公认的领先者——OpenAI的多模态大模型GPT-4V。

Monkey的一个显著特点是出色的“看图说话”能力。在详细描述任务中，Monkey展现了对图像细节的感知能力，能够察觉到其他多模态大模型所忽略的内容。

在一张图片中，Monkey可以正确地将其识别为埃菲尔铁塔，并对其构图和配色方案作出详细描述。而对于图中左下角的文字，只有Monkey和GPT-4V能将其准确地识别为作者名。

目前，几乎所有多模态大模型都需要运用网上爬取的图文数据集，这些数据集只能进行简单的图文描述，无法满足大分辨率图片的需求。Monkey巧妙利用现有的工具构建了一种多层级的描述生成方法，即通过五个步骤依次对图片进行整体简述、空间定位、模块化识别、描述赋分选取和最终总结。

Monkey能够结合不同工具的特性，来大幅度提升描述的准确性和丰富程度。“一个个工具就好比不同的零件，合理的排列组合才能使其发挥最大作用。”白翔说。

他介绍，团队从2003年便开始从事图像识别研究，去年又从海外引进了专攻多模态大模型的青年人才，Monkey的最终方案是大家一起反复讨论、尝试了10余种方案后才最终确定的。

此外，Monkey的另一亮点是能够处理分辨率高达1344×896像素的图像，这是目前其他多模态大模型所能处理的最大尺寸的6倍。这意味着Monkey能对更大尺寸的图片进行更准确、丰富、细致的描述甚至推理。

记者了解到，目前业内能处理的图片最大分辨率为448×448像素，而想要进一步提升处理能力，需投入十分高昂的算力成本。

如何以更低成本扩大输入分辨率？该团队成员刘禹良向记者介绍，团队采用了创新性的“裁剪”方法，将原始输入图片分割成多个块，每块尺寸小于448×448像素，并为每个块配备了一个“放大镜”，放到合适的位置就可以“看”清更多细节。多个“放大镜”同时工作，分别“放大”不同的图片块，就能提取更多局部特征。