10月13日消息,,近日,蘋果公司推出了300億參數(shù)的多模態(tài)AI大模型MM1.5,,該版本是在前代MM1的架構(gòu)基礎(chǔ)上發(fā)展而來的,。
該模型繼續(xù)遵循數(shù)據(jù)驅(qū)動(dòng)的訓(xùn)練原則,,著重探究在不同訓(xùn)練周期中混合各類數(shù)據(jù)對模型性能產(chǎn)生的影響,相關(guān)模型文檔已在Hugging Face上發(fā)布,。
MM1.5提供了從10億到300億的多種參數(shù)規(guī)模,,擁有圖像識(shí)別和自然語言推理能力。
在新版本中,,蘋果公司的研發(fā)人員改進(jìn)了數(shù)據(jù)混合策略,,極大地增強(qiáng)了模型在多文本圖像理解,、視覺引用與定位以及多圖像推理等方面的能力。
參考論文可知,,團(tuán)隊(duì)在MM1.5的持續(xù)預(yù)訓(xùn)練階段引入了高質(zhì)量的OCR數(shù)據(jù)和合成圖像描述,,這顯著提高了模型對包含大量文本的圖像的理解水平。
此外,,研究人員在監(jiān)督式微調(diào)階段深入分析了不同數(shù)據(jù)類型對模型表現(xiàn)的作用,,優(yōu)化了視覺指令微調(diào)數(shù)據(jù)的混合方式,使得即便是小規(guī)模的模型(如10億,、30億參數(shù)版本)也能有出色的發(fā)揮,,實(shí)現(xiàn)了更高的效率。
值得一提的是,,蘋果公司這次還推出了專門用于視頻理解的MM1.5-Video模型和專門處理移動(dòng)設(shè)備用戶界面(UI)理解的MM1.5-UI模型。
其中,,MM1.5-UI模型未來有望成為iOS背后的“蘋果牌”AI,,能夠處理各種視覺引用與定位任務(wù),還能總結(jié)屏幕上的功能,,或者通過與用戶的對話進(jìn)行交互,。
盡管MM1.5模型在多項(xiàng)基準(zhǔn)測試中表現(xiàn)優(yōu)異,但蘋果團(tuán)隊(duì)仍計(jì)劃通過進(jìn)一步融合文本,、圖像和用戶交互數(shù)據(jù),,并設(shè)計(jì)更復(fù)雜的架構(gòu),來提升模型對移動(dòng)設(shè)備UI的理解能力,,從而讓“蘋果牌”AI更強(qiáng)大,。