清華開源圖文對話大模型！表情包解讀有一手，奇怪的benchmark增加了

豐色 蕭簫 發自 凹非寺

量子位 | 公眾號 QbitAI

什么，最懂表情包的中文開源大模型出現了？？！

就在最近，來自清華的一個叫VisualGLM-6B的大模型在網上傳開了來，起因是網友們發現，它連表情包似乎都能解讀！

像這個臘腸犬版蒙娜麗莎，它不僅準確理解了這是臘腸犬與蒙娜麗莎的“合體照”，還點出了這只是一幅虛構作品：

又像是這個正在出租車后熨衣斗的男子，它也一眼看出了“不對勁”的地方：

值得一提的是，在此前GPT-4剛發布時，網友們也同樣將它用來測了測常識理解能力：

就如同弱智吧問題是大模型語言理解能力的benchmark一樣，表情包簡直就是大模型圖片理解能力的benchmark。

要是它真能理解網友們奇奇怪怪的表情包，那AI簡直沒有什么不能get到的信息點了啊！

我們趕緊測試了一波，看看它究竟效果如何。

gif也能看懂，但解讀太過正經

目前，VisualGLM-6B已經推出了網頁端試玩版。

只需要在Hugging Face的試玩界面上傳圖片，再與它進行“對話”，它就能生成理解圖片的結果：

先試試初級難度的表情包。

官方給出了幾個問題示例，例如“描述一下這個場景”、“這是什么東西”、“這張圖片描述了什么”，我們就先嘗試一下這幾個問題。

輸入一只正在聽歌的小貓，讓VisualGLM-6B描述一下表情包中的場景：

還不錯，VisualGLM-6B準確get了小貓享受音樂或使用電子設備這個過程！

再輸入一個章魚哥表情包，問它“這是什么東西”：

也沒問題。看起來能拿給爸媽用了（手動狗頭）。

再試試用吃飯小狗，讓VisualGLM-6B解讀一下這張圖片描述了什么：

看起來初級表情包都沒什么問題，是時候加大力度了。

上傳一個gif試試？第一眼似乎沒有問題：

但再換一個gif試試就會發現，它似乎只理解了第一幀圖像，猜測是不是“主角在試圖抓住或捕捉它”，但實際上只是在扔鈔票：

與之前的一些圖片理解AI不同，VisualGLM-6B在解讀時會著重介紹表情包角色中的面部表情，例如“它看起來不舒服或者緊張”：

BUT！當我們再上一點難度，給表情包配上文字之后，它就無法理解表情包的含義了：

尤其是這種靠配文傳達表情包精髓的，VisualGLM-6B就會開始展現“瞎解讀”的功底：

如果圖像拼接太多，它還會出現奇怪的bug，例如把摸魚狗頭人認成大鯊魚：

而且，它在描述表情包的時候整體比較正經，不會解讀圖像以外的“用意”。

例如，有網友測試了一下經典的“熊貓人顯卡”表情包：

以及周星馳的經典“我全都要”表情包：

顯然VisualGLM-6B能大致理解圖片的場景，但對于表情包的配文就無法理解了。

總結一下，對于包含經典作品角色的表情包，或是經過文字加工前的“原始”表情包，VisualGLM-6B能說出這個角色的名字，或是描述出其中的場景：

雖然也可以讓它描述情緒，不過AI看出來的情緒，可能和最終表情包表達的情緒不太一樣：

但一旦表情包加上了文字、或是被P進了新場景，VisualGLM-6B就會因為無法解讀圖片中文字的意思，而變得“看不懂梗”了。

△有時候還會解讀錯亂，例如狗看成豬

那么，擁有一部分解讀表情包能力的VisualGLM-6B，究竟是什么來頭？

多模態對話VisualGLM-6B，最低只需8.7G顯存

事實上，VisualGLM-6B并非專門為“表情包解讀”而開發。

它是由智譜AI和清華大學KEG實驗室打造的開源多模態對話模型，主要用于中文圖像理解，解讀表情包可以說只是它被開發出來的一個“副業”。

它的正經用法，一般是醬嬸的：

提起這個團隊，大家更熟悉的可能是ChatGLM-6B大模型。

后者此前我們有作介紹：

它是“清華系ChatGPT”的一員，2022年8月發布，共62億規模參數，支持中英雙語對話。

上線4天就突破6k star，目前已經近25k。

據介紹，VisualGLM-6B正是在ChatGLM-6B的基礎上完成：

ChatGLM-6B負責它的語言模型部分，圖像部分則通過訓練BLIP2-Qformer構建起視覺模型與語言模型的“橋梁”。

因此，VisualGLM-6B整體模型共78億參數。

具體而言，VisualGLM-6B的預訓練在中英文權重相同的情況下，在30M高質量中文圖文對和300M經過篩選的英文圖文對上完成（來自CogView數據集）。

這一訓練方法可以將視覺信息對齊到ChatGLM的語義空間。

微調階段，VisualGLM-6B又在長視覺問答數據上訓練，以生成符合人類偏好的答案。

與此同時，VisualGLM-6B由SwissArmyTransformer (簡稱“sat” ) 庫訓練，這是一個支持Transformer靈活修改、訓練的工具庫，支持Lora、P-tuning等參數高效微調方法。

最終，本項目既提供了HuggingFace接口，也提供了基于sat的接口。

要說VisualGLM-6B最大的特點，便是結合模型量化技術，可以讓大家在消費級的顯卡上進行本地部署，INT4量化級別下最低只需8.7G顯存。

具體包含三種部署工具：

一是命令行Demo。執行命令：

python cli_demo.py

然后程序便自動下載sat模型，大家就可以在命令行中進行交互式的對話了。

輸入指示并回車即可生成回復，輸入clear可以清空對話歷史，輸入stop終止程序。

二是基于Gradio的網頁版Demo。

需要先安裝Gradio：pip install gradio，然后下載并進入本倉庫運行web_demo.py，最后在瀏覽器中打開系統輸出的地址即可使用。

三是API部署。需要安裝額外的依賴：pip install fastapi uvicorn，然后運行倉庫中的api.py。

更多細節和推理、量化部分的方法就不贅述了，可戳參考鏈接[1]查看官方介紹。

需要注意的是，如官方所述，VisualGLM-6B正處于V1版本，視覺和語言模型的參數、計算量都較小，因此會出現相當多的已知局限性，像圖像描述事實性/模型幻覺問題、圖像細節信息捕捉不足，以及一些來自語言模型的局限性等等。

就如下面這張測試，VisualGLM-6B描述得還挺到位的，能看出是阿根廷和世界杯，但別被蒙了：圖上并沒有阿圭羅和迪馬利亞這兩位球星。

因此，官方也稱將在后續繼續針對以上問題進行一一改進。

不過，擁有圖片解讀能力的大模型，也并不只有VisualGLM-6B一個。

目前來看，表現比較好的“表情包殺手”還是GPT-4，從網友測試來看，它已經能根據表情包中的文字解讀meme：

開源大模型方面，基于Vicuna-13B開發的MiniGPT-4也能解讀圖片，同樣只需要一張單卡RTX3090就能搞定：

不過在這批大模型中，VisualGLM-6B強調的則是“中文開源”特點，換而言之，它在中文描述上可能會比其他大模型更準確一些。

你試玩過這些“表情包解讀AI”了嗎？感覺誰更能get人類思想精華？（手動狗頭）

VisualGLM-6B試玩地址：
https://huggingface.co/spaces/lykeven/visualglm-6b

參考鏈接：
[1]https://mp.weixin.qq.com/s/SzS6Gx8ZjtBXXQ7cs8-zLQ
[2]https://twitter.com/thukeg/status/1659079789599248386