前面的文章介绍的基本上都是单一数据格式的输入处理,比如输入文本输出文本的Chat模型、输入文本输出图片的图片模型、输入文本输出音频的模型等。本篇文章将介绍如何实现同时处理多种类型的数据格式?
什么是多模态
多模态是指模型同时理解和处理来自各种来源的信息的能力,包括文本、图像、音频和其他数据格式。
人类同时处理多种数据输入模式的知识。我们的学习方式,我们的经验都是多模态的。我们不仅有视觉,只有音频和文本。
现代教育之父约翰·阿莫斯·夸美纽斯在其著作中提到;
“All things that are naturally connected ought to be taught in combination”
“所有自然联系的事物都应该结合起来教授”
但是机器学习方法通常集中在为处理单一模式而量身定制的专用模型上。与人类的学习行为是相反的,然而新一波的多模态大型语言模型开始出现。多模态大型语言模型 (LLM) 功能使模型能够与其他模态(如图像、音频或视频)一起处理和生成文本。
Spring AI 集成哪些多模态大模型
- OpenAI
- gpt-4-visual-preview
- gpt-4o
- Google Vertex AI Gemini Pro Vision
- Anthropic Claude3
- Ollama LLaVA
- Ollama balklava
Spring AI 多模态抽象框架
Spring AI Message API 提供了支持多模态的所有必要抽象,抽象架构如下;
消息 Message
的 content
字段主要用作文本输入,而可选 media
字段允许添加一个或多个不同模式的附加内容,例如图像、音频和视频。指定 MimeType
模态类型。根据使用LLMs的内容,媒体的数据字段可以是编码的原始媒体内容,也可以是内容的 URI。
但是需要注意:media 字段目前仅适用于用户输入消息(例如,
UserMessage
)
Spring AI 接入Ollama 实现多模态示例
目前OpenAI 大模型仅 gpt-4-visual-preview
和 gpt-4o
两个模型支持多模态,本人目前没有办法获取到两个模型可使用的OpenAI Key,所有使用替代的方案,使用Ollama跑一个本地 LLaVA
大模型进行代码演示。
引入ollama依赖包
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
</dependency>
配置
spring:
ai:
ollama:
base-url: http://localhost:11434 # ollama地址
chat:
model: llava:7b #指定模型名称
代码
实现场景:让大模型描述一下图片的内容是什么?
package org.ivy.controller;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.messages.Media;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.util.MimeTypeUtils;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import java.util.List;
@RestController
public class MultiModalityController {
@Value("classpath:img.png")
private org.springframework.core.io.Resource imageResource;
private final OllamaChatModel ollamaChatModel;
public MultiModalityController(OllamaChatModel ollamaChatModel) {
this.ollamaChatModel = ollamaChatModel;
}
@GetMapping("multi")
public String multiModality(@RequestParam(defaultValue = "Explain what do you see on this picture?") String text) {
ChatClient chatClient = ChatClient.builder(ollamaChatModel).build();
var userMessage = new UserMessage(text, List.of(new Media(MimeTypeUtils.IMAGE_PNG, imageResource)));
return chatClient.prompt(new Prompt(List.of(userMessage)))
.call()
.content();
}
}
验证效果
由于使用本地机器运行的大模型,电脑配置原因返回结果比较慢。
总结
本文简单的对大模型的多模态进行认识,并使用Spring AI 接入 Ollama 调用 llava:7b
模型,对多模态进行实现并演示。下一篇文章将讲解如何在本地部署一个属于自己的大模型。
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
![](https://img-blog.csdnimg.cn/img_convert/5dbff530819b78c061c56c52047c6128.png)
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用
- L2.4 总结与展望
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓
![](https://img-blog.csdnimg.cn/img_convert/5dbff530819b78c061c56c52047c6128.png)