文章主题：视觉ChatGPT, GPT, Dall-E, 多模态信息
明敏 发自 凹非寺
量子位 | 公众号 QbitAI
ChatGPT会画画了！
问它：能生成一张猫片给我吗？
立刻连文带图全有了。
还能根据新的文字指令调整图片：把猫换成狗。
同时也看得懂图、有理解能力。
比如发一张图给它，然后问摩托是什么颜色？它能回答出是黑色。
如上，就是由MSRA资深研究人员们提出的视觉版ChatGPT（Visual ChatGPT）。
🎨🎨ChatGPT的视觉能力大飞跃！🚀通过巧妙融合多元视觉模型与精巧的Prompt Manager，这强大的AI已能娴熟应对各类图像任务，展现无尽可能。无需透露背后技术细节，只需想象其智慧之光如何照亮创意世界。🏆想要探索更多可能？ChatGPT，你的视觉伙伴，等你来解锁！🌍
这项工作一发出来就火了，GitHub揽星已超过1.5k。
简单总结一下，就是把GPT和Dall-E合并的感觉~
又懂文字又会画图……有人就说：
这不是终极meme图制造机？
诀窍在于提示工程？
Visual ChatGPT，其实就是让ChatGPT可以处理多模态信息。
但是从头训练一个多模态模型，工作量非常大。
研究人员想到可以在ChatGPT的基础上，结合一些视觉模型。
而想要达到这一目的，关键需要一个中间站。
由此他们提出了提示管理器（Prompt Manager）的概念。
它的作用主要有3方面：
第一、明确告诉ChatGPT，每个视觉模型的作用，并指定好输入输出格式。
第二、转换不同的视觉信息，如将PNG图像、深度图像、掩码矩阵等转换为语言格式，方便ChatGPT理解。
第三、处理视觉模型的历史生成结果，以及不同模型的调用优先级、规避冲突等，让ChatGPT能够以迭代的方式接收视觉模型的生成内容，直到输出用户满意的结果。
这样一来，Visual ChatGPT的工作流大概长这样：
🎉若用户出示图像，模型会首先以迅雷不及掩耳之势将其传递给智能管理员，接着通过精湛的图像理解技术转化为可读文本，随后与ChatGPT进行深度交流。👀如果识别出此请求无需调动视觉辅助，模型便会立即给出精准答案，省时又高效（首个响应）。
当面临第二个问题时，ChatGPT会通过内置的视觉模型进行深度处理，这是一种逐步迭代的过程，它会不断地分析和优化解决方案，直至ChatGPT确认无需再依赖视觉模型，才将最终结果呈现出来。这样设计确保了效率与准确性的平衡，让交互体验更为流畅。
🌟🚀Visual ChatGPT: 重塑未来沟通！💡🔥由22款顶尖视觉模型驱动，这革命性的AI平台集齐了Stable Diffusion、BLIP与pix2pix之力，引领行业新风向！🎨✨探索无尽创意，只需轻轻一点！🌐🎉体验即见证奇迹，Visual ChatGPT，让交流触手可及！📚💻立即加入，开启对话新篇章！隐私保密，商业合作请私信。🏆
🌟【揭秘】Visual ChatGPT实力如何？🔥在人工智能领域的一场创新探索中，我们见证了一项卓越的验证——通过零次试验（ zadig zero-shot ），Visual ChatGPT的超强能力得到了深度展现。🚀无需前期训练，这款聊天机器人凭借其惊人的学习力，轻松实现了对各种场景和任务的无缝对接，展示了其无与伦比的适应性。🔍这些零次实验不仅验证了它的技术成熟度，更揭示了它在跨领域应用中的潜力无限。🌈欲了解更多关于Visual ChatGPT如何颠覆传统、引领潮流的信息，敬请关注后续报道，让我们一起期待这场智能革命的到来！🚀记得用#VisualChatGPT #零次试验 #人工智能探索来提升SEO哦！😊
结果如开头所示，Visual ChatGPT具备很强的图像理解能力。
可以一直按照人的需求不断生成、修改图片。
当然，研究人员也提到了这项工作目前还存在一些局限性。
比如生成结果的质量，主要取决于视觉模型的性能。
🌟速度与质量并存：优化提示工程虽有挑战，却能提升生成效率🚀。通过精准调控，避免多模型协作带来的时延风险🌈。让每一步都流畅，每一瞬间都能收获高质量的内容✨。
最后，在输入图片的隐私安全上，还需要做进一步升级保护。
MSRA老将出马
本项研究成果来自微软亚洲研究院的团队。
通讯作者是段楠。
他是MSRA首席研究员，自然语言计算组研究经理，中国科学技术大学兼职博导，天津大学兼职教授，CCF杰出会员。
主要从事自然语言处理、代码智能、多模态智能、机器推理等研究。
2006年加入MSRA，任职已超16年。
第一作者Chenfei Wu，同样是一位资深研究人员了。
据领英资料显示，他于2012年加入微软，任职11年，目前是一位软件工程师。
论文地址：
https://arxiv.org/abs/2303.04671
参考链接：
https://twitter.com/_akhaliq/status/1633642479869198337
— 完 —
量子位 QbitAI · 头条号签约
AI时代，掌握AI大模型第一手资讯！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
扫码右边公众号，驾驭AI生产力！
相关文章
