梦晨发自凹非寺
量子位公众号 QbitAI
开源多模态 SOTA 模型再易主！
Hugging Face 开发者大使刚刚把王冠交给了 CogVLM2，来自大模型创业公司智谱 AI。
CogVLM2 甚至在 3 项基准测试上超过 GPT-4v 和 Gemini Pro，还不是超过一点，是大幅领先。
网友闻讯而来，发现 ChatGPT 新绝技之“AI 挑瓜”，我们开源届也不缺了。
更复杂的学术图表，它也能理解并给出详细解释。
CogVLM2 整体模型参数量仅19B，却能在多项指标取得接近或超过 GPT-4V 的水平，此外还有几大亮点：
- 支持 8K 文本长度
- 支持高达 1344*1344 的图像分辨率
- 提供支持中英文双语的开源模型版本
- 开源可商用
英文版经网友测试也有不错的表现。
特别值得注意的是，尽管 CogVLM2 的总参数量为 19B，但得益于精心设计的多专家模块结构，每次进行推理时实际激活的参数量仅约 12B，这样一来，全量推理（BF16/PF16）需要 42GB 显存。
接下来划重点了：Int4 量化版本，仅需要 16GB 显存。
也就是一张英伟达 RTX4080，或者刚出不久的 RTX4070 Ti SUPER 就能搞定了。
性能不俗，算力需求也不离谱，以至于刚开源不久就在 GitHub 上小火了一把，各类开发者带着自己的场景来找团队咨询。
团队也贴心的表示，考虑到很多实际场景需要微调，专门给大家提供了 Lora 微调代码。
- 冻结视觉部分，BF16 Lora 微调仅需 57GB 显存
- 如果同时对视觉部分进行 BF16 Lora 微调，则至少需要 80GB 显存
CogVLM2 也提供在线 Demo，感兴趣的话可以先试玩一下。
（试玩地址在文末领取）
好嘛，一般的小诡计还真骗不过它～
大模型整合视觉专家模块
其实去年 10 月，团队就发布了 CogVLM 一代，量子位当时也介绍过。
系列的核心思路，是给大语言模型的每一层都添加可训练的视觉专家模块，以实现图像特征和文本特征的深度对齐，而不会牺牲 NLP 任务的性能。
可以说是把视觉语言模型的训练方式，从图像文本的浅层对齐，转向了深度融合。
CogVLM2 在继承这一经典架构的基础上，做了不少优化和改进。
语言模型基座升级成最新的 Llama3-8B-Instruct，视觉编码器升级到 5B、视觉专家模块也升级到 7B，支持更高的图像分辨率等等。
特别是视觉专家模块，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，确保了在增强视觉理解能力的同时，不会削弱模型在语言处理上的原有优势。
升级后能力有多强？
在不损失任何通用能力的前提下，在许多关键指标上有了显著提升，如在 OCRbench 基准上性能提升 32%，在 TextVQA 基准上性能提升 21.9%，且模型具备了较强的文档图像理解能力（DocVQA）等。
也可以来个更直观的展示：
现在，复杂的模型架构图都可以让 CogVLM2 自己描述一遍，而一代的时候我们也测试过，当时还是有难度的。
为了更为严格地验证 CogVLM 的性能和泛化能力，一系列多模态基准上的定量评估更能说明问题。
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。
中文能力到位，模型代码试玩开放
可能有人会疑惑，Llama3 系列是出了名的能看懂中文，但死活不愿意用中文完整回答，有一种各说各话、跨服交流的美。
怎么到 CogVLM2 这里，加入视觉专家模块之后，中文输出能力也这么 6 了？
我们就这个问题询问了智谱团队，他们表示为了解决这个问题可费了不少功夫。
团队判断 Llama 3 8B Instruct 模型的训练数据中可能包含了大量英文数据，而中文数据的比例相对较低。
找到问题，就能对症下药了：
首先，在预训练阶段，团队收集了大量的中文图文数据，涵盖了中文场景的各种情况。
特别是针对中文场景进行了 OCR 和文档等类型的数据收集。通过这些数据，我们使得模型在预训练阶段就能够充分接触和理解中文语境。
其次，在指令微调阶段也构造了一些高质量的中文数据。这些数据包含了各种中文指令和对应的回答，使得模型能够更好地理解和回答中文问题。在这个过程中确保中英数据的比例在一个合理的范围内，从而使得模型在处理中文问题时能够更加得心应手。
通过这些措施，CogVLM2 在支持中文方面就有了显著的提升，无论是在理解中文问题还是在用中文回答问题方面，都成了亮点和优势。
比如识别火车票信息，再整理成 json 格式，部分文字反光或者掉色也不受影响。
又或者识别并描述复杂户型图，连注释和水印都不放过。
又或者识别中文手写字体。
甚至古代字体。
最后，奉上 CogVLM2 开源相关的一系列链接，感兴趣的朋友可以自取。
团队还透露，GLM 新版本会内嵌 CogVLM2 能力，在智谱清言 App 和智谱 AI 大模型 MaaS 开放平台上线。
代码仓库：
github.com/THUDM/CogVLM2
模型下载：
Huggingface：huggingface.co/THUDM
魔搭社区：modelscope.cn/models/ZhipuAI
始智社区：wisemodel.cn/models/ZhipuAI
Demo 体验：
