对人类来说，理解一张图的信息，不过是一件微不足道的小事，人类几乎不用思考，就能随口说出图片的含义。就像下图，手机插入的充电器多少有点不合适。人类一眼就能看出问题所在，但对 AI 来说，难度还是非常大的。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
GPT-4 的出现，开始让这些问题变得简单，它能很快的指出图中问题所在：VGA 线充 iPhone。
其实 GPT-4 的魅力远不及此，更炸场的是利用手绘草图直接生成网站，在草稿纸上画一个潦草的示意图，拍张照片，然后发给 GPT-4，让它按照示意图写网站代码，嗖嗖的，GPT-4 就把网页代码写出来了。
但遗憾的是，GPT-4 这一功能目前仍未向公众开放，想要上手体验也无从谈起。不过，已经有人等不及了，来自阿卜杜拉国王科技大学（KAUST）的团队上手开发了一个 GPT-4 的类似产品 ——MiniGPT-4。团队研究人员包括朱德尧、陈军、沈晓倩、李祥、Mohamed H. Elhoseiny，他们均来自 KAUST 的 Vision-CAIR 课题组。
- 论文地址：https://github.com/Vision-CAIR/MiniGPT-4/blob/main/MiniGPT_4.pdf
- 论文主页：https://minigpt-4.github.io/
- 代码地址：https://github.com/Vision-CAIR/MiniGPT-4
MiniGPT-4 展示了许多类似于 GPT-4 的能力，例如生成详细的图像描述并从手写草稿创建网站。此外，作者还观察到 MiniGPT-4 的其他新兴能力，包括根据给定的图像创作故事和诗歌，提供解决图像中显示的问题的解决方案，根据食品照片教用户如何烹饪等。
MiniGPT-4 看图说话不在话下
MiniGPT-4 效果到底如何呢？我们先从几个示例来说明。此外，为了更好的体验 MiniGPT-4，建议使用英文输入进行测试。
首先考察一下 MiniGPT-4 对图片的描述能力。对于左边的图，MiniGPT-4 给出的回答大致为「图片描述的是生长在冰冻湖上的一株仙人掌。仙人掌周围有巨大的冰晶，远处还有白雪皑皑的山峰……」假如你接着询问这种景象能够发生在现实世界中吗？MiniGPT-4 给出的回答是这张图像在现实世界并不常见，并给出了原因。
接着，在来看看 MiniGPT-4 图片问答能力。问：「这棵植物出现了什么问题？我该怎么办？」MiniGPT-4 不但指出了问题所在，表示带有棕色斑点的树叶可能由真菌感染引起，并给出了治疗步骤：
几个示例看下来，MiniGPT-4 看图聊天的功能已经非常强大了。不仅如此，MiniGPT-4 还能从草图创建网站。例如让 MiniGPT-4 按照左边的草稿图绘制出网页，收到指令后，MiniGPT-4 给出对应的 HTML 代码，按照要求给出了相应网站：
借助 MiniGPT-4，给图片写广告语也变得非常简单。要求 MiniGPT-4 给左边的杯子写广告文案。MiniGPT-4 精准的指出了杯子上有嗜睡猫图案，非常适合咖啡爱好者以及猫爱好者使用，还指出了杯子的材质等等：
MiniGPT-4 还能对着一张图片生成菜谱，变身厨房小能手：
解释广为流传的梗图：
根据图片写诗：
此外，值得一提的是，MiniGPT-4 Demo 已经开放，在线可玩，大家可以亲自体验一番（建议使用英文测试）：
Demo 地址：https://0810e8582bcad31944.gradio.live/
项目一经发布，便引起网友广泛关注。例如让 MiniGPT-4 解释一下图中的物体：
下面还有更多网友的测试体验：
方法简介
作者认为 GPT-4 拥有先进的大型语言模型（LLM）是其具有先进的多模态生成能力的主要原因。为了研究这一现象，作者提出了 MiniGPT-4，它使用一个投影层将一个冻结的视觉编码器和一个冻结的 LLM（Vicuna）对齐。
MiniGPT-4 由一个预训练的 ViT 和 Q-Former 视觉编码器、一个单独的线性投影层和一个先进的 Vicuna 大型语言模型组成。MiniGPT-4 只需要训练线性层，用来将视觉特征与 Vicuna 对齐。
MiniGPT-4 进行了两个阶段的训练。第一个传统的预训练阶段使用大约 5 百万对齐的图像文本对，在 4 个 A100 GPU 上使用 10 小时进行训练。第一阶段后，Vicuna 能够理解图像。但是 Vicuna 文字生成能力受到了很大的影响。
为了解决这个问题并提高可用性，研究者提出了一种新颖的方式，通过模型本身和 ChatGPT 一起创建高质量的图像文本对。基于此，该研究创建了一个小而高质量的数据集（总共 3500 对）。
第二个微调阶段使用对话模板在此数据集上进行训练，以显著提高其生成可靠性和整体可用性。这个阶段具有高效的计算能力，只需要一张 A100GPU 大约 7 分钟即可完成。
其他相关工作：
- VisualGPT: https://github.com/Vision-CAIR/VisualGPT
- ChatCaptioner: https://github.com/Vision-CAIR/ChatCaptioner
此外，项目中还使用了开源代码库包括 BLIP2、Lavis 和 Vicuna。
