多模态GPT-V出世！36种场景分析ChatGPT Vision能力，LMM将全面替代语言大模型？

LMM将会全面替代语言大模型？AI新里程碑GPT4V美国预先公测，医疗领域/OCR实践+166页GPTV试用报告首发解读

ChatGPT Vision，亦被广泛称为GPT-V或GPT-4V，代表了人工智能技术的新里程碑。作为LMM (Large Multimodal Model) 的代表，它不仅继承了LLM (Large Language Model) 的文本处理能力，还加入了图像处理的功能，实现了文本与图像的多模态交互。与传统的LLM相比，GPT-V更加强大和灵活，能够更深入地理解和生成与图像相关的内容。这种进化打开了无数新的应用可能性，从图像描述、创意设计到复杂的图文结合任务，GPT-4V都展现出了卓越的性能和广泛的潜力。

使用方法：GPT-V目前对于美国区ChatGPT Plus账户开放。11/6日gpt-4-vision-preview提供API开放。

相关链接：ChatGPT can now see, hear, and speak

相关介绍：GPTV_System_Card.pdf

166页GPT-V试用报告：Dawn of LMMs: Preliminary Explorations with GPT-4V(ision)

性能：对于ChatGPT4，速度比纯文本中文Prompt慢40%左右。（注意，当从GPT4切换到GPT-V后，纯文本中文Prompt速度提升了大概200%）

花费：$20美元一月，限速3小时25条。11/06日gpt-4-vision-preview提供API开放。定价视图片尺寸而定，1080x1080图像输入定价 0.00765美元。

调研版本：10-12 ChatGPT Vision（图片聊天/GPT多模态功能） ChatGPT September 25 Version

本文图片部分为实践（OCR/医学等），部分来自网络（推特/Arxiv试用报告），题图由ChatGPT DALL-E 3生成。

本文尝试从以下案例，对AI新里程碑LMM进行探索：

TLDR总结：

1.ChatGPT Vision更偏向于有创造性的图片理解，而非机器性细节识别。

2.ChatGPT Vision试图以大模型的涌现能力，从高层次理解整个图片，将图片如同文字一般对待，而非是OCR式的匹配识别。ChatGPT Vision和OCR的区别，与语义搜索和关键词搜索的区别类似。

3.ChatGPT Vision具有较大幻觉问题，Few-shot/CoT等Prompting方法也无法改善这一点（涌现能力不足），说明ChatGPT Vision仍处于像当年ChatGPT v3一样的初期阶段。预计未来几年随着参数规模的进一步提升，多模态大模型可能会复现文本大模型的发展路径。

（图1：Few-shot方法不能提高GPT-4V获取仪表板信息的准确性，红色代表回答错误）

（图2：CoT方法不能稳定质变提高GPT-4V数苹果的准确性，红色代表回答错误，绿色代表正确）

适用场景：

1.上下文概念性工作，如文章头图的自动审核初筛、皮肤病的照片辅助筛选，DR/CT照片影像学诊断，提供HTML alt text等。

2.图片创意性工作，如1.3节 商品销售文案生成、商品使用建议生成、商品创意名称生成等。

不适用场景：

1.有精确性要求的文字工作：如1.1节 患者诊疗单等OCR场景。

2.主体过多的复杂图片，如1.3节 前端网页代码复刻。

有潜力的场景：

1.清晰图片/截图的总结性工作，包括1.3节 图片的复杂理性/感性分析，如网络热图解释、教育场景

2.高纬度大模型推理，如1.3节 辨别电影/景点、客服、气候分析、设计图/网站设计建议等

1.0 基础功能

多图片上下文识别能力

（图3：研究者输入了多张购物账单小票/菜单图片，GPT-4V做出了正确回答）

理解图中标识（如箭头）和强调（如红圈标红）

（图4：对于使用箭头/画圈标识的图片，GPT-4V能做出了正确理解和回答）

1.1 OCR功能（幻觉严重，中文效果差）

中文：电脑截图（准确）

中文：清晰中文表格图片（幻觉严重）

中文：有复杂信息的真实患者诊疗单（幻觉严重）

患者诊疗单（给GPT的是原图，以下图片经过二次处理模糊了患者信息）

英文：准确：强对比度、轻微镜头畸变、中等像素噪声图片

阿拉伯语：部分准确：手写体转译英文

muin on X: “GPT-4V will be able to transcribe and translate manuscripts and texts. I am excited to try out Arabic manuscripts to see how well it does. It does a phenomenal job with transcription even better than most humans. https://t.co/K6y6WffLvz” / X

1.2 医学诊断（高准确率）

肺部X光：肺炎****判断 （准确）

图像来源：GitHub - linhandev/dataset: 医学影像数据集列表 『An Index for Medical Imaging Datasets』https://github.com/linhandev/dataset https://www.kaggle.com/datasets/nih-chest-xrays/data#:~:text=Class descriptions,Hernia

图片输入

GPT-V判别结果：（肺炎, 0.7）

1.肺炎:

◦置信度: 0.7

◦原因: X光片上下肺区的密度增加可能提示肺炎的存在，但根据图片无法明确确定。

2.肺水肿:

◦置信度: 0.6

◦原因: 下肺区的密度增加可能与液体积聚有关，如心力衰竭导致的肺水肿。

3.间质性肺病:

◦置信度: 0.5

◦原因: 有一些间质改变的迹象，但需要与先前的影像进行比较。

4.支气管炎:

◦置信度: 0.4

◦原因: 慢性支气管炎可能导致一些观察到的不透明度。

5.结核病:

◦置信度: 0.3

◦原因: 尽管结核病可表现为不透明和可能的固实化，但该图像并不强烈地表现出结核病的典型特征。

6.肺癌:

◦置信度: 0.2

◦原因: 虽然没有明确的结节或肿块，但由于X光在显示其他结构后面的小结节时的局限性，肺癌不能完全排除。

皮肤病：黑色素瘤判断（部分准确）

数据源：ISIC Archive

https://gallery.isic-archive.com/#!/topWithHeader/onlyHeaderTop/gallery?filter=%5B%5D

图片输入

GPT-V判别结果（常见痣 0.6，黑色素瘤 0.3）

1.黑色素细胞痣 (常见痣)

◦信心分数: 0.6

▪原因: 该皮损表现出与常见痣相似的特征，中央有深色区域。50岁左右的人群中很常见。

2.老年性角化病

◦信心分数: 0.4

▪原因: 老年性角化病是老年人中常见的非癌性皮肤生长，颜色可能会有所不同。

3.异型痣

◦信心分数: 0.5

▪原因: 这类痣与常见痣有所不同，通常较大。鉴于大小 (1.4mm) 和位置 (下肢)，需要考虑此诊断。

4.黑色素瘤

◦信心分数: 0.3

▪原因: 黑色素瘤是一种皮肤癌，虽然所提供的图像有可能与黑色素瘤一致的特征，但需要皮肤科医生进行全面评估才能确诊。

5.基底细胞癌

◦信心分数: 0.2

▪原因: 它是最常见的皮肤癌形式，但所提供的图像没有基底细胞癌的典型迹象。但鉴于患者的年龄，仍需考虑。

6.血管瘤

◦信心分数: 0.2

▪原因: 血管瘤是由血管组成的良性肿瘤。图像中的红色可能暗示这一点，但从整体外观看，可能性较小。

老年疣（0.7）

数据源：ISIC Archive

图片输入

GPT-V判别结果 （ 老年疣 0.7 ）

1.老年疣 - 置信度：0.7

2.黑色素痣 - 置信度：0.5

3.基底细胞癌 - 置信度：0.4

4.日光角化症 - 置信度：0.4

5.鳞状细胞癌 - 置信度：0.3

该图像显示了皮肤的放大视图，老年疣在头部和颈部区域较为常见，且经常出现在中老年人群中，因此我给予了较高的置信度。

其他脑部/胸部X光诊断（高准确率）

（绿色代表正确，红色代表错误，黄色代表幻觉）

1.3 高纬度识别能力（高质量，虽有幻觉问题）

大众点评/小红书文案

商品使用建议（左），商品销售文案（右）

车祸车辆识别

红色代表错误

理解流程图

解释笑话

商品新颖命名

电路图描述

地标描述

菜谱生成

分析球类运动局势/运动员姿势（存在幻觉）

Abran Maldonado on X: “One of my favorite demos I tested out, in honor of football season, ChatGPT Vision will forever change coaching and sports analytics. Whether i build it or not, ChatGPT for coaching will be on every sideline in the league. Mark my words. https://t.co/uUYhsKpEGh” / X

幻觉（该运动员使用的是反手Backhand，而非正手forehand）：

识别电影/相机/景点等

给予用户产品安装/摄像等的建议和帮助

X: “ChatGPT can now see, hear, and speak. Rolling out over next two weeks, Plus users will be able to have voice conversations with ChatGPT (iOS & Android) and to include images in conversations (all platforms). https://t.co/uNZjgbR5Bm https://t.co/paG0hMshXb” / X

辅导扑克（存在幻觉）

网页截图到HTML代码（理解不足）

结果：

白板骨架到前端项目

Mckay Wrigley on X: “You can give ChatGPT a picture of your team’s whiteboarding session and have it write the code for you. This is absolutely insane. https://t.co/bGWT5bU8MK” / X

https://twitter.com/mckaywrigley/status/1707101465922453701

清晰图片的复杂理性/感性分析

Pietro Schirano on X: “This is absolutely wild. I am completely speechless. https://t.co/wGTAx1hFgS” / X

https://twitter.com/skirano/status/1706874309124194707?

Mckay Wrigley on X: “ChatGPT breaks down this diagram of a human cell for a 9th grader. This is the future of education. https://t.co/L0Za0ZB5rs” / X

主体多的复杂图片的复杂理性分析

Alex Northstar on X: “Thanks ChatGPT, that can read & understand better than humans! https://t.co/TgVSuHgf8j” / X

https://twitter.com/NorthstarBrain/status/1707668600281063514

1.4 不足与风险

图片（含人眼不可见文字）的注入风险

（图中，用户以不可见的浅色字添加了Sephora化妆品促销水印，人眼无法察觉，但GPT-V可感知）

（图中，用户以不可见的浅色字使GPT-4V一定对这份简历会给出雇佣建议）

不能使用于人脸识别

当 GPT-4 在2023年3月首次发布时，GPT-4V面部识别功能可能存在安全和隐私问题，因此 GPT-4V（具备视觉功能的 GPT-4）被暂缓发布。

在早期的模型中，用户本可以理论上上传人物照片，并要求识别他们，这显然是对隐私的侵犯。根据技术论文，GPT-4V（为 ChatGPT Vision 提供支持）现在拒绝此类请求的时间达到了98%。

GPT-4V(ision) technical work and authors