CogVLM2 – 智谱AI推出的新一代多模态大模型

AI工具3个月前发布 AI小集
0

CogVLM2是什么

CogVLM2是由智谱AI推出的新一代多模态大模型,在视觉和语言理解方面实现了显著的性能提升,支持高达8K的文本长度和1344*1344分辨率的图像输入,具备强大的文档图像理解能力。该模型采用50亿参数的视觉编码器与70亿参数的视觉专家模块,通过深度融合策略,优化了视觉与语言模态的交互,确保了在增强视觉理解的同时,语言处理能力也得到保持。CogVLM2的开源版本支持中英文双语,模型大小为19亿参数,但实际推理时激活的参数量约为120亿,展现了在多模态任务中的高效性能。

CogVLM2

CogVLM2的改进点

CogVLM2模型相比前代的改进点主要包括以下几个方面:

  • 性能提升:在OCRbench和TextVQA等多个关键基准测试上,CogVLM2的性能有了显著提升,例如在OCRbench上性能提升了32%,在TextVQA上性能提升了21.9%。
  • 文档图像理解:CogVLM2增强了对文档图像的理解和问答能力,特别是在DocVQA基准测试中表现出色。
  • 支持高分辨率图像:模型支持高达1344*1344像素的图像分辨率,能够处理更高清晰度的图像。
  • 支持长文本:CogVLM2支持长达8K的文本输入,这使得模型能够处理更长的文档和更复杂的语言任务。
  • 双语支持:CogVLM2提供了支持中英文双语的开源模型版本,增强了模型的多语言能力。

CogVLM2的模型信息

CogVLM2开源了两款以Meta-Llama-3-8B-Instruct为语言基座模型的CogVLM2,分别是cogvlm2-llama3-chat-19B和cogvlm2-llama3-chinese-chat-19B,感兴趣的用户可以前往GitHub、Hugging Face或魔搭社区进行下载或在线体验。

模型名称
cogvlm2-llama3-chat-19B
cogvlm2-llama3-chinese-chat-19B
基座模型
Meta-Llama-3-8B-Instruct
Meta-Llama-3-8B-Instruct
语言
英文
中文、英文
模型大小
19B
19B
任务
图像理解,对话模型
图像理解,对话模型
模型链接
体验链接
Int4模型
暂未推出
暂未推出
文本长度
8K
8K
图片分辨率
1344 * 1344
1344 * 1344

CogVLM2的模型架构

CogVLM2的模型架构在继承上一代模型的基础上进行了优化和创新,具体特点如下:

  1. 视觉编码器:CogVLM2采用了一个拥有50亿参数的视觉编码器,负责对输入图像进行特征提取和编码。
  2. 视觉专家模块:在大语言模型中整合了一个70亿参数的视觉专家模块,这一模块通过独特的参数设置,精细地建模了视觉与语言序列的交互。
  3. 深度融合策略:CogVLM2采用了深度融合策略,使得视觉模态与语言模态能够更加紧密地结合,从而增强了模型在视觉理解能力的同时,保持了在语言处理上的优势。
  4. MLP Adapter:模型中使用了MLP(多层感知器)Adapter,用于调整和适配不同模态之间的特征。
  5. 降采样模块:为了更好地处理和理解高分辨率的文档或网页图片,CogVLM2在视觉编码器后引入了一个专门的降采样模块,有效提取关键信息,减少输入到语言模型中的序列长度。
  6. Word Embedding:模型包含了Word Embedding层,用于将文本转换为模型可以理解的数值型向量。
  7. 多专家模块结构:CogVLM2设计了多专家模块结构,使得在进行推理时,实际激活的参数量仅约120亿,这种设计既保证了模型的性能,又提高了推理效率。
  8. 语言基座模型:CogVLM2使用了Meta-Llama-3-8B-Instruct作为语言基座模型,为模型提供了强大的语言理解和生成能力。
CogVLM2的架构

CogVLM2的模型性能

CogVLM2的团队在一系列多模态基准上进行了定量评估,这些基准包括 TextVQA、DocVQA、ChartQA、OCRbench、MMMU、MMVet、MMBench等。从下表可以看出CogVLM2 的两个模型,尽管具有较小的模型尺寸,但在多个基准中取得 SOTA性能;而在其他性能上,也能达到与闭源模型(例如GPT-4V、Gemini Pro等)接近的水平。
CogVLM2的基准测试得分

模型 是否开源 模型规模 TextVQA DocVQA ChartQA OCRbench MMMU MMVet MMBench
LLaVA-1.5 13B 61.3 337 37.0 35.4 67.7
Mini-Gemini 34B 74.1 48.0 59.3 80.6
LLaVA-NeXT-LLaMA3 8B 78.2 69.5 41.7 72.1
LLaVA-NeXT-110B 110B 85.7 79.7 49.1 80.5
InternVL-1.5 20B 80.6 90.9 83.8 720 46.8 55.4 82.3
QwenVL-Plus 78.9 91.4 78.1 726 51.4 55.7 67.0
Claude3-Opus 89.3 80.8 694 59.4 51.7 63.3
Gemini Pro 1.5 73.5 86.5 81.3 58.5
GPT-4V 78.0 88.4 78.5 656 56.8 67.7 75.0
CogVLM1.1 (Ours) 7B 69.7 68.3 590 37.3 52.0 65.8
CogVLM2-LLaMA3 (Ours) 8B 84.2 92.3 81.0 756 44.3 60.4 80.5
CogVLM2-LLaMA3-Chinese (Ours) 8B 85.0 88.4 74.7 780 42.8 60.5 78.9
© 版权声明

相关文章

暂无评论

暂无评论...