商湯發(fā)布多模態(tài)多任務(wù)通用大模型“書生2.5”，邁向AGI通用人工智能

其擁有 30億參數(shù) ，是目前全球開源模型中 ImageNet準(zhǔn)確度最高、規(guī)模最大 ，同時(shí)也是物體檢測標(biāo)桿數(shù)據(jù)集COCO中唯一超過65.0 mAP的模型。

憑借在多模態(tài)多任務(wù)處理能力方面多項(xiàng)突破，“書生2.5”的圖文跨模態(tài)開放任務(wù)處理能力可為 自動(dòng)駕駛 、機(jī)器人等通用場景任務(wù)提供高效精準(zhǔn)的感知和理解能力支持，向通用人工智能邁出堅(jiān)實(shí)的一步。 “書生”由商湯科技、上海人工智能實(shí)驗(yàn)室、清華大學(xué)、香港中文大學(xué)、上海交通大學(xué)于2021年11月首次共同發(fā)布，并持續(xù)聯(lián)合研發(fā)。

即日起，“書生2.5”多模態(tài)通用大模型 已在商湯參與的通用視覺開源平臺(tái)OpenGVLab開源 。

邁向AGI通用人工智能

當(dāng)今快速增長的各式應(yīng)用需求下，傳統(tǒng)計(jì)算機(jī)視覺已無法處理真實(shí)世界中數(shù)不勝數(shù)的特定任務(wù)。 我們迫切需要一種具備通用場景感知和復(fù)雜問題處理能力的高級視覺系統(tǒng)。

“書生2.5”實(shí)現(xiàn)了通過文本來定義任務(wù)，從而可以靈活地定義不同場景的任務(wù)需求，并根據(jù)給定視覺圖像和任務(wù)的提示性語句，給出相應(yīng)的指令或作答，進(jìn)而具備通用場景下的高級感知和復(fù)雜問題處理能力，比如圖像描述、視覺問答、視覺推理和文字識別等。

在自動(dòng)駕駛和居家機(jī)器人等通用場景下，“書生2.5”可輔助處理各種復(fù)雜任務(wù)。

例如， 在自動(dòng)駕駛場景中，可以大幅提升場景感知理解能力 ，準(zhǔn)確輔助車輛判斷交通信號燈狀態(tài)、道路標(biāo)志牌等信息，為車輛決策規(guī)劃提供有效信息輸入。

利用多模態(tài)多任務(wù)通用大模型輔助完成自動(dòng)駕駛場景中各類復(fù)雜任務(wù)

利用多模態(tài)多任務(wù)通用大模型輔助完成居家機(jī)器人場景中各類復(fù)雜任務(wù)

除解決自動(dòng)駕駛和居家機(jī)器人這類復(fù)雜問題的能力，“書生2.5”通用大模型 也可解決紛繁復(fù)雜的日常生活中的常見任務(wù)，滿足各種需求 。

除全圖級別的以圖生文，“書生2.5”通用大模型同樣 可根據(jù)物體邊框更精細(xì)化定位任務(wù)需求 。

“書生2.5”同時(shí)具備AIGC“以文生圖”的能力。 可根據(jù)用戶提出的文本創(chuàng)作需求，利用擴(kuò)散模型生成算法，生成高質(zhì)量、自然的寫實(shí)圖像。

例如，借助“書生2.5”的以文生圖能力幫助自動(dòng)駕駛技術(shù)研發(fā)，通過生成各類真實(shí)的道路交通場景，如繁忙的城市街道、雨天擁擠車道、馬路上奔跑的狗等，生成寫實(shí)的Corner Case訓(xùn)練數(shù)據(jù)，進(jìn)而訓(xùn)練自動(dòng)駕駛系統(tǒng)對Corner Case場景的感知能力上限。

“書生2.5”還 可根據(jù)文本快速檢索出視覺內(nèi)容 。

例如，可在相冊中返回文本所指定的相關(guān)圖像，或是在視頻中檢索出與文本描述最相關(guān)的幀，提高視頻中時(shí)間定位任務(wù)的效率。 此外還支持引入物體檢測框，根據(jù)文本返回最相關(guān)的物體，實(shí)現(xiàn)開放世界視頻或圖像中物體檢測及視覺定位。

高效能打通自然語言、圖像等多模態(tài)任務(wù)處理

“書生2.5”在圖文跨模態(tài)領(lǐng)域卓越的性能表現(xiàn)來自于視覺、語音及多任務(wù)建模三大模型能力的有效融合，即 InternImage-G通用視覺大模型 、用于文本理解的 超大語言預(yù)訓(xùn)練模型(LLM) 和 用于多任務(wù)的 兼容解碼建模大模型(Uni-Perceiver) 。

其中，InternImage-G通用視覺大模型能夠基于動(dòng)態(tài)稀疏卷積算子自適應(yīng)地調(diào)整卷積的位置和組合方式，從而為多功能視覺感知提供強(qiáng)大的表示。

超大語言模型通過在超大規(guī)模豐富文本語料庫上進(jìn)行預(yù)訓(xùn)練提供強(qiáng)大可靠的文本特征。

Uni-Perceiver通才任務(wù)解碼建模通過將不同模態(tài)的數(shù)據(jù)編碼到統(tǒng)一的表示空間，將不同任務(wù)統(tǒng)一為相同的任務(wù)范式，從而能夠以相同的架構(gòu)和共享的模型參數(shù)同時(shí)處理各種模態(tài)和任務(wù)。

此外，“書生2.5”還創(chuàng)新性地引入了任務(wù)級別的稀疏激活機(jī)制，使其具備高效率的多任務(wù)協(xié)作能力。

在視覺主流圖像分類數(shù)據(jù)集ImageNet上，該模型僅基于公開數(shù)據(jù)便達(dá)到 90.1%的Top-1準(zhǔn)確率 。 這是除谷歌與微軟之外，唯一準(zhǔn)確率超過90.0%的模型。 值得一提的是，谷歌與微軟均未公開模型及額外數(shù)據(jù)集。

除高精確度的語義理解能力外，“書生2.5”在目標(biāo)定位性能上同樣有著出色的表現(xiàn)。 在物體檢測標(biāo)桿數(shù)據(jù)集COCO上，取得了65.4的mAP。 “書生2.5”也在包括圖像分類、物體檢測、語義分割、圖像描述、圖文檢索等 20+個(gè)不同場景、不同任務(wù)的單模態(tài)和跨模態(tài)公開數(shù)據(jù)集中都取得了最佳成績 。

“書生2.5”在20余個(gè)不同場景不同任務(wù)的單模態(tài)和跨模態(tài)公開數(shù)據(jù)集中都取得了最佳成績

當(dāng)前，“書生”還在持續(xù)學(xué)習(xí)、不斷進(jìn)步，致力于推動(dòng)多模態(tài)多任務(wù)通用模型技術(shù)的突破，驅(qū)動(dòng)通用人工智能技術(shù)的創(chuàng)新應(yīng)用生態(tài)，為推動(dòng)人工智能學(xué)術(shù)、產(chǎn)業(yè)發(fā)展做出貢獻(xiàn)。

關(guān)于OpenGVLab

OpenGVLab致力于通用視覺模型的開源社區(qū)建設(shè)，開源項(xiàng)目覆蓋數(shù)據(jù)、模型、評測基準(zhǔn)全鏈路，為學(xué)術(shù)界和產(chǎn)業(yè)界的多模態(tài)通用模型研發(fā)提供堅(jiān)實(shí)支撐。 在數(shù)據(jù)方面，OpenGVLab構(gòu)建了千萬級超大規(guī)模精標(biāo)注數(shù)據(jù)集，涵蓋了圖像分類、目標(biāo)檢測等視覺核心任務(wù)的標(biāo)注，同時(shí)包括各類圖像中的屬性、狀態(tài)等的精細(xì)標(biāo)注，顯著降低了數(shù)據(jù)采集成本。 在模型方面，OpenGVLab的開源項(xiàng)目全方位覆蓋了通用模型架構(gòu)、高效訓(xùn)練框架及超高性能的預(yù)訓(xùn)練模型，助力社區(qū)用極低的數(shù)據(jù)量快速滿足多場景、多任務(wù)、高性能的AI模型訓(xùn)練，并供所有對人工智能技術(shù)感興趣的人士自由體驗(yàn)。 OpenGVLab還提供了多任務(wù)、多模態(tài)的通用視覺評測基準(zhǔn)，可提供權(quán)威的評測結(jié)果，推動(dòng)基于統(tǒng)一標(biāo)準(zhǔn)的公平和準(zhǔn)確評測，加快通用視覺模型的產(chǎn)業(yè)化應(yīng)用步伐。

通過開源社區(qū)建設(shè)，OpenGVLab幫助開發(fā)者顯著降低通用視覺模型的開發(fā)門檻，用更低成本快速開發(fā)用于成百上千種視覺任務(wù)、視覺場景的算法模型，高效實(shí)現(xiàn)對長尾場景的覆蓋，推動(dòng)通用AI技術(shù)的規(guī)模化應(yīng)用。

審核編輯：湯梓紅