一个北大投稿 发送至 凹非寺
量子位 | 公众号 QbitAI
训完130亿参数通用视觉语言大模型,只需3天!
北大和中山大学团队又出招了——在最新研究中,研究团队提出了一种构建统一的图片和视频表征的框架。
利用这种框架,可以大大减少VLM(视觉语言大模型)在训练和推理过程中的开销。
具体而言,团队按照提出的新框架,训练了一个新的VLM:Chat-UniVi。
Chat-UniVi能在混合图片和视频数据的情况下进行训练,并同时处理图片任务和视频理解任务。
以此为基础,Chat-UniVi在图片及视频上的17个基准上,都表现得还不错。
现在,项目已经在GitHub和抱抱脸上开源。
更多关于新方法和Chat-UniVi的详细信息,我们一起进一步来看看~
Chat-UniVi是什么?
了解基础信息后,我们详细地聊聊Chat-UniVi究竟是什么——
简单来说,Chat-UniVi是一个统一的多模态大型语言模型,可以同时理解图像和视频。
目前VLM运用的方法,偏图片理解的,往往使用大量视觉tokens来获得更精细的空间分辨率。
偏视频理解