轻松拿捏 4K 高清图像理解！这个多模态大模型自动分析网页海报内容，打工人简直不要太方便
一个可以自动分析PDF、网页、海报、Excel图表内容的大模型，对于打工人来说简直不要太方便。上海AILab，香港中文大学等研究机构提出的InternLM-XComposer2-4KHD（简写为IXC2-4KHD）模型让这成为了现实。相比于其他多模态大模型不超过1500x1500的分辨率限制，该工作将多模态大模型的最大输入图像提升到超过4K（3840x1600）分辨率，并支持任意长宽比和336像素～4K动态分辨率变化。发布三天，该模型就登顶HuggingFace视觉问答模型热度榜单第一。轻松拿捏4K图像理
一个可以自动分析 PDF、网页、海报、Excel 图表内容的大模型，对于打工人来说简直不要太方便。
上海 AI Lab，香港中文大学等研究机构提出的 InternLM-XComposer2-4KHD（简写为 IXC2-4KHD）模型让这成为了现实。
相比于其他多模态大模型不超过 1500x1500 的分辨率限制，该工作将多模态大模型的最大输入图像提升到超过 4K （3840 x1600）分辨率，并支持任意长宽比和 336 像素～4K 动态分辨率变化。
发布三天，该模型就登顶 Hugging Face 视觉问答模型热度榜单第一。
轻松拿捏 4K 图像理解
先来看效果 ~
研究人员输入论文（ShareGPT4V: Improving Large Multi-Modal Models with Better Captions）的首页截图（分辨率为 2550x3300），并询问论文哪个模型在 MMBench 上的性能最高。
需要注意的是，该信息在输入截图的正文文字部分并未提及，仅仅出现在一个相当复杂的雷达图中。面对这么刁钻的问题，IXC2-4KHD 成功理解了雷达图中的信息，正确回答问题。
面对更加极端分辨率的图像输入（816 x 5133），IXC2-4KHD 轻松理解图像包括 7 个部分，并准确说明了每个部分包含的文字信息内容。
随后，研究人员还在 16 项多模态大模型评测指标上全面测试了 IXC2-4KHD 的能力，其中 5 项评测（DocVQA、ChartQA、InfographicVQA、TextVQA、OCRBench）关注模型的高分辨率图像理解能力。
仅仅使用 7B 参数量，IXC2-4KHD 在其中 10 项评测取得了媲美甚至超越 GPT4V 和 Gemini Pro 的结果，展现了不局限于高分辨率图像理解，而是对各种任务和场景的泛用能力。
△仅 7B 参数量的 IXC2-4KHD 性能媲美 GPT-4V 和 Gemini-Pro 如何实现 4K 动态分辨率？
为了实现 4K 动态分辨率的目标，IXC2-4KHD 包括了三个主要设计：
（1）动态分辨率训练：
△4K 分辨率图像处理策略
在 IXC2-4KHD 的框架中，输入图像在保持长宽比的情况下，被随机放大到介于输入面积和最大面积（不超过 55x336x336，等价于 3840 x1617 分辨率）的一个中间尺寸。
随后，图像被自动切块成多个 336x336 的区域，分别抽取视觉特征。这种动态分辨率的训练策略可以让模型适应任意分辨率的视觉输入，同时也弥补了高分辨率训练数据不足的问题。
实验表明，随着动态分辨率上限的增加，模型在高分辨率图像理解任务（InfographicVQA、DocVQA、TextVQA）上实现了稳定的性能提升，并且在 4K 分辨率仍然未达到上界，展现了更高分辨率进一步扩展的潜力。
（2）添加切块布局信息：
为了使模型能够适应变化丰富的动态分辨率，研究人员发现需要将切块布局信息作为额外的输入。为了实现这个目的，研究人员采取了一种简单的策略：一个特殊的‘换行’（’ n ’）令牌被插入到每一行的切块之后，用于告知模型切块的布局。实验表明，添加切块布局信息，对于变化幅度比较小的动态分辨率训练（HD9 代表切块区域个数不超过 9）影响不大，而对于动态 4K 分辨率训练则可以带来显著的性能提升。
（3）推理阶段扩展分辨率
研究人员还发现，使用动态分辨率的模型，可以在推理阶段通过增加最大切块上限直接扩展分辨率，并且带来额外的性能增益。例如将 HD9（最多 9 块）的训练模型直接使用 HD16 进行测试，可以在 InfographicVQA 上观察到高达 8% 的性能提升。
IXC2-4KHD 将多模态大模型支持的分辨率提升到了 4K 的水平，研究人员表示目前这种通过增加切块个数支持更大图像输入的策略遇到了计算代价和显存的瓶颈，因此他们计划提出更加高效的策略在未来实现更高分辨率的支持。
论文链接：
https://arxiv.org/pdf/2404.06512.pdf
项目链接：
https://github.com/InternLM/InternLM-XComposer
— 完 —
投稿请发邮件到：
ai@qbitai.com
标题注明，告诉我们：
你是谁，从哪来，投稿内容
附上论文 / 项目主页链接，以及联系方式哦
我们会（尽量）及时回复你
点这里关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。