不知不觉，距 GPT-4 首次公开问世，已经过去一个月了。这些人无一例外，都被 GPT-4 强大的逻辑分析、统筹规划能力深深折服。无论是论文创作、编写代码、还是数据分析，GPT-4 都给出了令人惊艳的表现。不过，大家可别忘了，GPT-4 作为一个多模态大语言模型，它不仅能生成文字内容，还能理解图像输入内容，让用户直接与图片进行对话。一个月前，OpenAI 向外界演示了 GPT-4 如何通过手绘草图，直接生不仅如此，它还能 get 到图像里面的笑点，识别数学题目并依次给出解答步骤。我始终觉得，图像对话才是 GPT-4 真正令人心神向往之处。但可惜的是，这个功能至今仍没有对外开放。除了 Be My Eyes、可汗学院等少数几家与 openai 有建立合作的企业，大部分人还是只能体验 GPT-4 的文本对话能力。原本我以为只能苦等 OpenAI 发布更新，才能体验上这个功能，没成想今天让我找到了这么一个项目。该项目名为 MiniGPT-4，是来自阿卜杜拉国王科技大学的几位博士做的。它能提供类似 GPT-4 的图像理解与对话能力，让你先人一步感受到图像对话的强大之处。GitHub：https://github.com/Vision-CaiR/MiniGPT-4在线体验：https://minigpt-4.github.io/项目作者认为，GPT-4 所实现的多模态能力，在以前的视觉 - 语言模型中很少见，因此认为，GPT-4 先进的多模态生成能力，主要原因在于利用了更先进的大型语言模型。为了验证这一想法，团队成员将一个冻结的视觉编码器与一个冻结的 Vicuna 进行对齐，造出了 MiniGPT-4。
在研究中，他们发现 MiniGPT-4 具有许多类似于 GPT-4 的能力，如详细的图像描述生成、从手写草稿创建网站等。不仅如此，他们还在研究中还收获了意想不到的惊喜，除了能实现上述功能之外，MiniGPT-4 还能根据图像创作故事和诗歌，为图像中显示的问题提供解决方案，教用户如何根据食物照片做饭等。根据实验结果表明，GPT-4 这些先进的能力，理论上可以归因于它使用了更先进的大语言模型。也就是说，未来在图像、声音、视频等领域，基于这些大语言模型所造出来的应用，其实际效果都不会太差。
这个项目证实了大语言模型在图像领域的可行性，接下来应该会有不少开发者入场，将 GPT-4 的能力进一步往音频、视频等领域延伸，进而让我们得以看到更多有趣、令人惊艳的 AI 应用。
本篇文章来源于微信公众号: GitHubDaily
