开源多模态SOTA再易主，19B模型比肩GPT-4v，16G显存就能跑

国际科技财经移民娱乐民生时事体育

Bendi新闻

6月前

梦晨发自凹非寺
量子位 | 公众号 QbitAI

开源多模态SOTA模型再易主！

Hugging Face开发者大使刚刚把王冠交给了CogVLM2，来自大模型创业公司智谱AI。

CogVLM2甚至在3项基准测试上超过GPT-4v和Gemini Pro，还不是超过一点，是大幅领先。

网友闻讯而来，发现ChatGPT新绝技之“AI挑瓜”，我们开源届也不缺了。

更复杂的学术图表，它也能理解并给出详细解释。

CogVLM2整体模型参数量仅19B，却能在多项指标取得接近或超过GPT-4V的水平，此外还有几大亮点：

支持8K文本长度
支持高达1344*1344的图像分辨率
提供支持中英文双语的开源模型版本
开源可商用

英文版经网友测试也有不错的表现。

特别值得注意的是，尽管CogVLM2的总参数量为19B，但得益于精心设计的多专家模块结构，每次进行推理时实际激活的参数量仅约12B，这样一来，全量推理（BF16/PF16）需要42GB 显存。

接下来划重点了：

Int4量化版本，仅需要16GB显存。

也就是一张英伟达RTX4080，或者刚出不久的RTX4070 Ti SUPER就能搞定了。

性能不俗，算力需求也不离谱，以至于刚开源不久就在GitHub上小火了一把，各类开发者带着自己的场景来找团队咨询。

团队也贴心的表示，考虑到很多实际场景需要微调，专门给大家提供了Lora微调代码。

冻结视觉部分，BF16 Lora微调仅需57GB显存
如果同时对视觉部分进行 BF16 Lora微调，则至少需要80GB显存

CogVLM2也提供在线Demo，感兴趣的话可以先试玩一下。

（试玩地址在文末领取）

好嘛，一般的小诡计还真骗不过它～

大模型整合视觉专家模块

其实去年10月，团队就发布了CogVLM一代，量子位当时也介绍过。

系列的核心思路，是给大语言模型的每一层都添加可训练的视觉专家模块，以实现图像特征和文本特征的深度对齐，而不会牺牲NLP任务的性能。

可以说是把视觉语言模型的训练方式，从图像文本的浅层对齐，转向了深度融合。

CogVLM2在继承这一经典架构的基础上，做了不少优化和改进。

语言模型基座升级成最新的Llama3-8B-Instruct，视觉编码器升级到5B、视觉专家模块也升级到7B，支持更高的图像分辨率等等。

特别是视觉专家模块，通过独特的参数设置精细地建模了视觉与语言序列的交互，确保了在增强视觉理解能力的同时，不会削弱模型在语言处理上的原有优势。

升级后能力有多强？

在不损失任何通用能力的前提下，在许多关键指标上有了显著提升，如在 OCRbench基准上性能提升32%，在TextVQA基准上性能提升21.9%，且模型具备了较强的文档图像理解能力（DocVQA）等。

也可以来个更直观的展示：

现在，复杂的模型架构图都可以让CogVLM2自己描述一遍，而一代的时候我们也测试过，当时还是有难度的。

为了更为严格地验证CogVLM的性能和泛化能力，一系列多模态基准上的定量评估更能说明问题。

CogVLM2的两个模型，尽管具有较小的模型尺寸，但在多个基准中取得 SOTA性能；而在其他性能上，也能达到与闭源模型（例如GPT-4V、Gemini Pro等）接近的水平。

中文能力到位，模型代码试玩开放

可能有人会疑惑，Llama3系列是出了名的能看懂中文，但死活不愿意用中文完整回答，有一种各说各话、跨服交流的美。

怎么到CogVLM2这里，加入视觉专家模块之后，中文输出能力也这么6了？

我们就这个问题询问了智谱团队，他们表示为了解决这个问题可费了不少功夫。

团队判断Llama 3 8B Instruct模型的训练数据中可能包含了大量英文数据，而中文数据的比例相对较低。

找到问题，就能对症下药了：

首先，在预训练阶段，团队收集了大量的中文图文数据，涵盖了中文场景的各种情况。
特别是针对中文场景进行了OCR和文档等类型的数据收集。通过这些数据，我们使得模型在预训练阶段就能够充分接触和理解中文语境。
其次，在指令微调阶段也构造了一些高质量的中文数据。这些数据包含了各种中文指令和对应的回答，使得模型能够更好地理解和回答中文问题。在这个过程中确保中英数据的比例在一个合理的范围内，从而使得模型在处理中文问题时能够更加得心应手。

通过这些措施，CogVLM2在支持中文方面就有了显著的提升，无论是在理解中文问题还是在用中文回答问题方面，都成了亮点和优势。

比如识别火车票信息，再整理成json格式，部分文字反光或者掉色也不受影响。