“ 微软发布了具备视觉功能的 GPT-4V 模型相关的研究报告，详细探究了这一模型在不同领域和任务上的卓越表现。该报告涵盖了广泛的视觉和视觉语言场景，包括图像描述、多模态知识、场景文本理解以及情感理解等。这一重要的里程碑标志着大型模型的快速发展，同时也引领了新的人机交互方法，将机器的自主行动和推理能力带入了百姓的日常生活。”
01、上个月底，OpenAI发布了具有视觉功能的GPT-4V(ision)。几天后，微软发布了关于这个模型的研究报告。
今天分享的这个报告是中英文对照版，文件比较大，56.9M，放在公众号的「AI学习资料」网盘，关注公号后，自动发送网盘链接，《微软_GPT4v_双语对照》在“8.AI模型介绍”部分。
报告重点探索了GPT-4V 在不同领域和任务上的能力质量和通用性。
第 4 节提供了涵盖广泛视觉（a wide range of vision）和视觉语言场景（vision-language scenarios）的全面分析。
包括不同领域的图像描述和识别、密集视觉理解（dense visual understanding）、多模态知识（multimodal knowledge）、常识（commonsense）、场景文本理解（scene text understanding）、文档推理（document reasoning）等等。
第 6 节研究 GPT-4V 在时间（temporal）、动画（motion）和视频理解（video understanding）方面的能力。第 7 节探讨抽象视觉理解（abstract visual understanding）和推理能力（reasoning capability）。
第 8 节则研究了情绪（emotion）和情感理解（sentiment understanding）。
第10节设想了可以基于GPT-4V构建的强大的未来系统，例如多模态插件（multimodal plugins）、多模态链（multimodal chains）、自我反思（self-reflection）、自我一致性（self-consistency）和检索增强（retrieval-augmented）的LMM等。
02、感觉大模型发展得太快，相应模型评测的标准都快跟不上了。
前一阵刚刚看过多模态的评估标准：《MM-Vet的多模态评估标准如何评估大型多模态模型（LMM）在复杂任务上的表现》，这次就在微软的报告中看到了这个评估标准的一个评估项：“空间关系的理解 - 人比车大吗？”
在我看来，具有视觉功能的GPT4V，一项重要的里程碑意义就是开创了新的人机交互方法。
从计算机诞生起，从打孔的纸带开始，到可以接受键盘字符和语音指令的输入。而到了大模型时代，机器可以直接接受视觉的输入，并产生相应的逻辑、推理以及反馈。
GPT4V给大模型装上了眼睛，如果给它一个物理世界的躯体，可控制的身体部位以及各种工具，使得它可以去影响真实的物理世界，它能做什么？它会做什么？
而这一点的实现，也进一步证实了《大模型应用发展的方向｜代理 Agent 的兴起及其未来（上）》文章中提到，具有较强自主行动和推理能力的机器人走入百姓平常生活。
嗯，当然，也有另外一种可能。。。。。。
阅读推荐：
StreamingLLM 框架：利用最新标记让 AI 记住你的话、创作长篇小说，探索无限长度文本
大规模语言模型从理论到实践：模型基础、数据、强化学习、应用、评估
AI技术的思考与实践：AI大模型、技术细节、应用发展
AI大模型LLM可以帮助企业做什么？
推荐一个金融分析的开源大模型项目FinGLM
大模型应用发展的方向｜代理 Agent 的兴起及其未来（下）
推荐三个搭建专有知识库 大模型智能助手开源项目
国外报告90%的AI类产品公司已经实现盈利，而国内大模型和AIGC的访谈说太卷了
