通信世界網(wǎng)消息（CWW）近日，商湯科技發(fā)布多模態(tài)多任務(wù)通用大模型“書生（INTERN）2.5”。

其擁有30億參數(shù)，是目前全球開源模型中ImageNet準確度最高、規(guī)模最大，同時也是物體檢測標桿數(shù)據(jù)集COCO中唯一超過65.0 mAP的模型。

憑借在多模態(tài)多任務(wù)處理能力方面多項突破，“書生2.5”的圖文跨模態(tài)開放任務(wù)處理能力可為自動駕駛、機器人等通用場景任務(wù)提供高效精準的感知和理解能力支持，向通用人工智能邁出堅實的一步?！皶庇缮虦萍?、上海人工智能實驗室、清華大學、香港中文大學、上海交通大學于2021年11月首次共同發(fā)布，并持續(xù)聯(lián)合研發(fā)。

即日起，“書生2.5”多模態(tài)通用大模型已在商湯參與的通用視覺開源平臺OpenGVLab開源。

邁向AGI通用人工智能

當今快速增長的各式應(yīng)用需求下，傳統(tǒng)計算機視覺已無法處理真實世界中數(shù)不勝數(shù)的特定任務(wù)。我們迫切需要一種具備通用場景感知和復雜問題處理能力的高級視覺系統(tǒng)。
“書生2.5”實現(xiàn)了通過文本來定義任務(wù)，從而可以靈活地定義不同場景的任務(wù)需求，并根據(jù)給定視覺圖像和任務(wù)的提示性語句，給出相應(yīng)的指令或作答，進而具備通用場景下的高級感知和復雜問題處理能力，比如圖像描述、視覺問答、視覺推理和文字識別等。

在自動駕和居家機器人等通用場景下，“書生2.5”可輔助處理各種復雜任務(wù)。

例如，在自動駕駛場景中，可以大幅提升場景感知理解能力，準確輔助車輛判斷交通信號燈狀態(tài)、道路標志牌等信息，為車輛決策規(guī)劃提供有效信息輸入。

利用多模態(tài)多任務(wù)通用大模型輔助完成自動駕駛場景中各類復雜任務(wù)

利用多模態(tài)多任務(wù)通用大模型輔助完成居家機器人場景中各類復雜任務(wù)

除解決自動駕駛和居家機器人這類復雜問題的能力，“書生2.5”通用大模型也可解決紛繁復雜的日常生活中的常見任務(wù)，滿足各種需求。

除全圖級別的以圖生文，“書生2.5”通用大模型同樣可根據(jù)物體邊框更精細化定位任務(wù)需求。

“書生2.5”同時具備AIGC“以文生圖”的能力?？筛鶕?jù)用戶提出的文本創(chuàng)作需求，利用擴散模型生成算法，生成高質(zhì)量、自然的寫實圖像。

例如，借助“書生2.5”的以文生圖能力幫助自動駕駛技術(shù)研發(fā)，通過生成各類真實的道路交通場景，如繁忙的城市街道、雨天擁擠車道、馬路上奔跑的狗等，生成寫實的Corner Case訓練數(shù)據(jù)，進而訓練自動駕駛系統(tǒng)對Corner Case場景的感知能力上限。

“書生2.5”還可根據(jù)文本快速檢索出視覺內(nèi)容。

例如，可在相冊中返回文本所指定的相關(guān)圖像，或是在視頻中檢索出與文本描述最相關(guān)的幀，提高視頻中時間定位任務(wù)的效率。此外還支持引入物體檢測框，根據(jù)文本返回最相關(guān)的物體，實現(xiàn)開放世界視頻或圖像中物體檢測及視覺定位。

高效能打通自然語言、圖像等多模態(tài)任務(wù)處理

“書生2.5”在圖文跨模態(tài)領(lǐng)域卓越的性能表現(xiàn)來自于視覺、語音及多任務(wù)建模三大模型能力的有效融合，即InternImage-G通用視覺大模型、用于文本理解的超大語言預訓練模型（LLM）和用于多任務(wù)的兼容解碼建模大模型（Uni-Perceiver）。

其中，InternImage-G通用視覺大模型能夠基于動態(tài)稀疏卷積算子自適應(yīng)地調(diào)整卷積的位置和組合方式，從而為多功能視覺感知提供強大的表示。
超大語言模型通過在超大規(guī)模豐富文本語料庫上進行預訓練提供強大可靠的文本特征。

Uni-Perceiver通才任務(wù)解碼建模通過將不同模態(tài)的數(shù)據(jù)編碼到統(tǒng)一的表示空間，將不同任務(wù)統(tǒng)一為相同的任務(wù)范式，從而能夠以相同的架構(gòu)和共享的模型參數(shù)同時處理各種模態(tài)和任務(wù)。
此外，“書生2.5”還創(chuàng)新性地引入了任務(wù)級別的稀疏激活機制，使其具備高效率的多任務(wù)協(xié)作能力。

在視覺主流圖像分類數(shù)據(jù)集ImageNet上，該模型僅基于公開數(shù)據(jù)便達到90.1%的Top-1準確率。這是除谷歌與微軟之外，唯一準確率超過90.0%的模型。值得一提的是，谷歌與微軟均未公開模型及額外數(shù)據(jù)集。

除高精確度的語義理解能力外，“書生2.5”在目標定位性能上同樣有著出色的表現(xiàn)。在物體檢測標桿數(shù)據(jù)集COCO上，取得了65.4的mAP?！皶?.5”也在包括圖像分類、物體檢測、語義分割、圖像描述、圖文檢索等20+個不同場景、不同任務(wù)的單模態(tài)和跨模態(tài)公開數(shù)據(jù)集中都取得了最佳成績。

“書生2.5”在20余個不同場景不同任務(wù)的單模態(tài)和跨模態(tài)公開數(shù)據(jù)集中都取得了最佳成績

當前，“書生”還在持續(xù)學習、不斷進步，致力于推動多模態(tài)多任務(wù)通用模型技術(shù)的突破，驅(qū)動通用人工智能技術(shù)的創(chuàng)新應(yīng)用生態(tài)，為推動人工智能學術(shù)、產(chǎn)業(yè)發(fā)展做出貢獻。