3月14日，商湯科技發(fā)布多模態(tài)多任務(wù)通用大模型“書生（INTERN）2.5”，在多模態(tài)多任務(wù)處理能力方面實現(xiàn)多項全新突破。
“書生（INTERN）”最初版本由商湯科技、上海人工智能實驗室、清華大學(xué)、香港中文大學(xué)、上海交通大學(xué)在2021年11月首次共同發(fā)布，并持續(xù)聯(lián)合研發(fā)。
“書生（INTERN）”最初版本由商湯科技、上海人工智能實驗室、清華大學(xué)、香港中文大學(xué)、上海交通大學(xué)在2021年11月首次共同發(fā)布，并持續(xù)聯(lián)合研發(fā)。
“書生2.5”擁有30億參數(shù)，是世界上開源模型中ImageNet準(zhǔn)確度最高、規(guī)模最大的模型，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。目前，“書生2.5”多模態(tài)通用大模型已在通用視覺開源平臺OpenGVLab開源（https://github.com/OpenGVLab/InternImage）。
據(jù)了解，“書生2.5”可接收處理各種不同模態(tài)的輸入，并采用統(tǒng)一的模型架構(gòu)和參數(shù)處理各種不同的任務(wù)，促進(jìn)不同模態(tài)和任務(wù)之間在表示學(xué)習(xí)方面的協(xié)作，逐步實現(xiàn)通用人工智能領(lǐng)域的融會貫通。
大幅提升通用場景感知和理解能力
在當(dāng)今快速增長的各式應(yīng)用場景需求下，傳統(tǒng)計算機視覺已無法處理真實世界中數(shù)不勝數(shù)的特定任務(wù)和場景需求。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)。
此次發(fā)布的“書生2.5”，實現(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。
在自動駕駛和居家機器人等通用場景下，“書生2.5”可輔助處理各種復(fù)雜任務(wù)。例如在自動駕駛場景下，可以大幅提升場景感知理解能力，準(zhǔn)確地輔助車輛判斷交通信號燈狀態(tài)、道路標(biāo)志牌等信息，為車輛的決策規(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器人場景中各類復(fù)雜任務(wù)
除了解決例如自動駕駛和居家機器人這類復(fù)雜問題的能力，“書生2.5”通用大模型也可以解決紛繁復(fù)雜的日常生活中的常見任務(wù)，滿足各種需求。
除了全圖級別的以圖生文，“書生2.5”通用大模型同樣可以根據(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，利用擴散模型生成算法，生成高質(zhì)量、自然的寫實圖像。例如借助“書生2.5”的以文生圖能力幫助自動駕駛技術(shù)研發(fā)，通過生成各類真實的道路交通場景，如繁忙的城市街道、雨天擁擠的車道、馬路上奔跑的狗等，生成寫實的Corner Case訓(xùn)練數(shù)據(jù)，進(jìn)而訓(xùn)練自動駕駛系統(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，可實現(xiàn)開放世界視頻或圖像中物體檢測及視覺定位。
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、語言及多任務(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)級別的稀疏激活機制，使其具備高效的多任務(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)到了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。“書生2.5”同時也是世界上開源模型中ImageNet準(zhǔn)確度最高、規(guī)模最大的模型。
除了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，其取得了65.4的mAP，是世界上唯一超過65.0 mAP的模型。“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。
在20余個不同場景、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加速學(xué)術(shù)和產(chǎn)業(yè)界多模態(tài)通用模型研發(fā)
即日起，“書生2.5”多模態(tài)通用大模型已在通用視覺開源平臺OpenGVLab開源，成為目前開源模型社區(qū)能提供的性能最強的多模態(tài)大模型。
OpenGVLab致力于通用視覺模型的開源社區(qū)建設(shè)，開源項目覆蓋數(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)提供了堅實的支撐。
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)的采集成本。
在模型方面，OpenGVLab的開源項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。
OpenGVLab還提供了多任務(wù)、多模態(tài)的通用視覺評測基準(zhǔn)，可以提供權(quán)威的評測結(jié)果，推動基于統(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)的建設(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，高效實現(xiàn)對長尾場景的覆蓋，推動通用AI技術(shù)的規(guī)�；瘧�(yīng)用。
當(dāng)前，“書生”還在持續(xù)學(xué)習(xí)、不斷進(jìn)步，致力于實現(xiàn)多模態(tài)多任務(wù)通用模型技術(shù)的突破，驅(qū)動通用人工智能技術(shù)的創(chuàng)新應(yīng)用生態(tài)，為推動人工智能學(xué)術(shù)、產(chǎn)業(yè)發(fā)展做出貢獻(xiàn)。