克雷西 蕭箫 發自 凹非寺
量子位 | 公衆号 QbitAI
多模态王炸大模型GPT-4V，166頁“說明書”重磅釋出！而且還是微軟團隊出品。
什麼樣的論文，能寫出166頁？
不僅詳細測評了GPT-4V在十大任務上的表現，從基礎的圖像識别、到複雜的邏輯推理都有展示；
還傳授了一整套多模态大模型提示詞使用技巧——
手把手教你從0到1學會寫提示詞，回答專業程度一看就懂，屬實是把GPT-4V的使用門檻打到不存在了。
值得一提的是，這篇論文的作者也是“全華班”，7名作者全部是華人，領銜的是一位在微軟工作了17年的女性首席研究經理。
在166頁報告釋出前，他們還參與了OpenAI最新DALL·E 3的研究，對這個領域了解頗深。
相比OpenAI的18頁GPT-4V論文，這篇166頁“食用指南”一釋出，立刻被奉為GPT-4V使用者必讀之物：
有網友感慨：這哪裡是論文，這簡直快成一本166頁的小書了。
還有網友看完已經感到慌了：
不要隻看GPT-4V的回答細節，我真的對AI展現出來的潛在能力感到害怕。
是以，微軟這篇“論文”究竟講了啥，又展現出了GPT-4V的哪些“潛力”？
微軟166頁報告講了啥？
這篇論文鑽研GPT-4V的方法，核心就靠一個字——“試”。
微軟研究員們設計了涵蓋多個領域的一系列輸入，将它們喂給GPT-4V，并觀察和記錄GPT-4V的輸出。
随後，他們對GPT-4V完成各類任務的能力進行評估，還給出了使用GPT-4V的新提示詞技巧，具體包括4大方面：
1、GPT-4V的用法：
5種使用方式：輸入圖像（images）、子圖像（sub-images）、文本（texts）、場景文本（scene texts）和視覺指針（visual pointers）。
3種支援的能力：指令遵循（instruction following）、思維鍊（chain-of-thoughts）、上下文少樣本學習（in-context few-shot learning）。
例如這是基于思維鍊變更提問方式後，GPT-4V展現出的指令遵循能力：
2、GPT-4V在10大任務中的表現：
開放世界視覺了解（open-world visual understanding）、視覺描述（visual description）、多模态知識（multimodal knowledge）、常識（commonsense）、場景文本了解（scene text understandin）、文檔推理（document reasoning）、寫代碼（coding）、時間推理（temporal reasonin）、抽象推理（abstract reasoning）、情感了解（emotion understanding）
其中就包括這種，需要一些智商才能做出來的“圖像推理題”：
3、類GPT-4V多模态大模型的提示詞技巧：
提出了一種新的多模态提示詞技巧“視覺參考提示”（visual referring prompting），可以通過直接編輯輸入圖像來訓示感興趣的任務，并結合其他提示詞技巧使用。
4、多模态大模型的研究&落地潛力：
預測了多模态學習研究人員應該關注的2類領域，包括落地（潛在應用場景）和研究方向。
例如這是研究人員發現的GPT-4V可用場景之一——故障檢測：
但無論是新的提示詞技巧、還是GPT-4V的應用場景，大夥兒最關注的還是GPT-4V的真正實力。
是以，這份“說明書”随後用了150多頁來展示各種demo，詳細劇透了GPT-4V在面對不同回答時展現出的能力。
一起來看看GPT-4V如今的多模态能力進化到哪一步了。
精通專業領域圖像，還能現學知識
圖像識别
最基礎的識别自然是不在話下，比如科技、體育界以及娛樂圈的各路名人：
而且不僅能看出這些人是誰，還能解讀他們正在做什麼，比如下圖中老黃正在介紹英偉達新推出的顯示卡産品。
除了人物，地标建築對于GPT-4V來說同樣是小菜一碟，不僅能判斷名稱和所在地，還能給出詳細的介紹。
△左：紐約時代廣場，右：京都金閣寺
不過越是有名的人和地點，判斷起來也就越容易，是以要難度更大的圖才能展現GPT-4V的能力。
比如醫學影像，針對下面這張肺部CT，GPT-4V給出了這樣的結論：
雙肺多個區域存在實變和磨玻璃混濁，肺部可能存在感染或發炎。右肺上葉也可能有腫塊或結節。
甚至不告訴GPT-4V影像的種類和位置，它自己也能判斷。
這張圖中，GPT-4V成功識别出了這是一張腦部的核磁共振（MRI）影像。
同時，GPT-4V還發現存在大量積液，認為很可能是進階别腦膠質瘤。
經過專業人士判斷，GPT-4V給出的結論完全正确。
除了這些“正經”的内容之外，當代人類社會的“非物質文化遺産”表情包也被GPT-4V給拿捏了。
△機器翻譯，僅供參考
不僅是解讀表情包中的梗，真實世界中人類的表情所表達的情感也能被GPT-4看穿。
除了這些真·圖像之外，文本識别也是機器視覺中的一項重要任務。
這方面，GPT-4V除了可以識别拉丁文字拼寫的語言之外，中文、日文、希臘文等其他文字也都認識。
甚至是手寫的數學公式：
圖像推理
前面展示的DEMO，無論多麼專業或多麼難懂，都還停留在識别的範疇，但這隻是GPT-4V技能的冰山一角。
除了看懂圖檔中的内容，GPT-4V還具有一定的推理能力。
簡單一些的，GPT-4V可以發現兩張圖中的不同（雖然還有些錯誤）。
下面的一組圖中，王冠和蝴蝶結的差別都被GPT-4V發現了。
如果加大難度，GPT-4V還能解決IQ測試當中的圖形問題。
上面的這三道題中的特征或邏輯關系都還比較簡單，但接下來就要上難度了：
當然難度不是在于圖形本身，注意圖中的第4條文字說明，原題目中圖形的排列方式不是圖中展示的樣子。
圖檔标注
除了用文本回答各種問題，GPT-4V還可以在圖檔中執行一系列操作。
比如我們手裡有一張四位AI巨頭的合影，要GPT-4V框出其中的人物并标注他們的姓名和簡介。
GPT-4V先是用文本回答了這些問題，緊接着便給出了處理之後的圖檔：
動态内容分析
除了這些靜态内容，GPT-4V還能做動态分析，不過不是直接喂給模型一段視訊。
下面的五張圖是從一段制作壽司的教程視訊中截取的，GPT-4V的任務是（在了解内容的基礎上）推測這些圖檔出現的順序。
而針對同一系列的圖檔，可能會有不同的了解方式，這是GPT-4V會結合文本提示進行判斷。
比如下面的一組圖中，人的動作究竟是開門還是關門，會導緻排序結果截然相反。
當然，通過多張圖檔中人物狀态的變化，還可以推測出他們正在做的事情。
甚至是預測接下來會發生什麼：
“現場學習”
GPT-4V不僅視覺本領強，關鍵是還能現學現賣。
還是舉個例子，讓GPT-4V讀汽車儀表盤，一開始得出的答案是錯誤的：
緊接着把方法用文字交給GPT-4V，但這是的答案依然不對：
然後又把例子展示給GPT-4V，答案倒是有樣學樣，可惜數字是胡編亂造出來的。
隻有一個例子的确是有點少，不過随着樣本數量的提高（其實隻多了一個），終于功夫不負有心人，GPT-4V給出了正确答案。
GPT-4V的效果就展示這麼多，當然它還支援更多的領域和任務，這裡無法一一展示，感興趣的話可以閱讀原始報告。
那麼，GPT-4V這些神器的效果背後，是怎樣的一個團隊呢？
清華校友領銜
這篇論文的作者一共有7位，均為華人，其中6位是核心作者。
項目領銜作者Lijuan Wang，是微軟雲計算與AI首席研究經理。
她大學畢業于華中科技大學，在中國清華大學獲得博士學位，于2006年加入微軟亞洲研究院，并于2016年加入位于雷德蒙德的微軟研究院。
她的研究領域是基于多模态感覺智能的深度學習和機器學習，具體又包括視覺語言模型預訓練、圖像字幕生成、目标檢測等AI技術。
原文位址：
https://arxiv.org/abs/2309.17421
— 完 —
量子位 QbitAI · 頭條号簽約
關注我們，第一時間獲知前沿科技動态