多模态生成发文量大涨！最新成果统一Transformer和Diffusion，含金量超高

最近多模态生成领域也在“神仙打架”，比如Meta的全新训练方法Transfusion，用单个模型就能同时生成文本和图像！

还有之前华为、清华提出的个性化多模态内容生成技术PMG，生成的内容可“量身定制”，更能满足偏好。

这些效果炸裂的新成果证明了多模态生成一直是研究热门，更实际点的证明还有：

• 从学术角度来看，今年CVPR等顶会的收录论文中，多模态生成是最热门的研究主题之一。

• 从就业角度来看，多模态生成的人才需求也比较大，很多公司都有相应的岗位，比较好拿offer。

Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model

方法：论文一个多模态模型训练的配方Transfusion，可以处理离散数据（如文本或代码）和连续数据（例如图像、音频和视频数据）。Transfusion结合了语言建模损失函数（下一个词预测）和扩散模型，通过单一的transformer来训练混合模态序列，使其能够无缝地生成离散和连续的模态，例如同时生成文本和图像。

创新点：

• Transfusion是一个统一的多模态模型，可以同时生成文本和图像，不需要信息的丢失。

• 在文本到图像生成和图像到文本生成任务中，Transfusion模型在FID和CLIP得分方面表现优于Chameleon模型，且在相同的计算复杂度下，Transfusion模型的FID得分约为Chameleon模型的一半。

• Transfusion模型在学习文本到文本预测任务上的效率也更高，达到了Chameleon模型计算复杂度的50%到60%的困惑度。

PMG: Personalized Multimodal Generation with Large Language Models

方法：论文提出了一种基于大语言模型（LLMs）的个性化多模态生成方法（PMG），首先将用户行为转化为自然语言，以便LLM能够理解并提取用户的偏好。然后，将用户偏好输入生成器（如多模态LLM或扩散模型）以生成个性化内容。

创新点：

• 提出了一种个性化多模态生成方法（PMG），首次将LLMs应用于个性化多模态生成任务，实现了一系列应用场景的个性化生成。

• 引入了基于用户行为的用户偏好表示方法，结合显式关键词和隐式嵌入，有效地捕捉用户的偏好信息，用于生成过程的条件。

• 使用加权求和的方式平衡准确性得分和个性化得分，实现了生成内容在准确性和个性化之间的良好平衡。

ANOLE: An Open, Autoregressive, Native Large Multimodal Models for Interleaved Image-Text Generation

方法：ANOLE是一个开源的多模态模型，专注于交错图像-文本生成。它基于Meta AI的Chameleon模型，通过高效微调少量参数来增强图像和多模态生成能力，而无需依赖扩散模型。

创新点：

• ANOLE采用自回归方法进行图像和文本的生成，这使得它能够产生连贯且高质量的交错图像-文本序列。

• ANOLE通过微调不到40M的参数，使用大约6000个样本，有效地实现了视觉和多模态生成能力，体现了它在大型多模态模型中引入复杂功能时的高数据和参数效率。

• 提供了一个用于自回归多模态模型的训练和推理的统一框架，降低了开发和实验的门槛。

Generative Multimodal Models are In-Context Learners

方法：论文介绍了一个名为 Emu2 的大型多模态生成模型，它通过大规模多模态序列的训练，具备了强大的多模态上下文学习能力。Emu2 能够处理包括文本、图像-文本对和交错的图像-文本-视频等在内的多种数据类型，并且在少量样本或简单指令的情况下解决多模态任务。

创新点：

• Emu2通过大规模多模态序列的统一自回归目标进行预训练，能够预测下一个多模态元素（无论是视觉嵌入还是文本标记）。

• 在少量样本或简单指令的情况下，Emu2展现出解决多模态任务的能力，包括需要即时推理的视觉提示和基于对象的生成任务。

• 通过对Emu2进行指令微调，模型能够在遵循特定指令的情况下，在大型多模态模型的问答基准测试和开放式主题驱动生成等具有挑战性的任务上实现新的最佳状态。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 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】