任意文本、视觉、音频混合生成，多模态有了强大的基础引擎CoDi-2
研究者指出，CoDi-2标志着在开发全面的多模态基础模型领域取得了重大突破今年5月，北卡罗来纳大学教堂山分校、微软提出一种可组合扩散（ComposableDiffusion，简称CoDi）模型，让一种模型统一多种模态成为可能。CoDi不仅支持从单模态到单模态的生成，还能接收多个条件输入以及多模态联合生成。最近，来自UC伯克利、微软AzureAI、Zoom、以及北卡罗来纳大学教堂山分校的多位研究者已将CoDi系统升级至CoDi-2版本论文地址：https://arxiv.org/pdf/2311.18775
研究者指出，CoDi-2标志着在开发全面的多模态基础模型领域取得了重大突破
今年 5 月，北卡罗来纳大学教堂山分校、微软提出一种可组合扩散（Composable Diffusion，简称 CoDi）模型，让一种模型统一多种模态成为可能。CoDi 不仅支持从单模态到单模态的生成，还能接收多个条件输入以及多模态联合生成。
最近，来自UC伯克利、微软Azure AI、Zoom、以及北卡罗来纳大学教堂山分校的多位研究者已将CoDi系统升级至CoDi-2版本
论文地址：https://arxiv.org/pdf/2311.18775.pdf
项目地址：https://codi-2.github.io/
重新写内容，不改变原意，需要改写成中文语言，不需要出现原句
根据Zineng Tang的论文，CoDi-2遵循复杂的多模态交错上下文指令，以零样本或少样本交互的方式生成任何模态（文本、视觉和音频）
此链接为图片来源：https://twitter.com/ZinengTang/status/1730658941414371820
可以说，作为一种多功能、交互式的多模态大语言模型（MLLM），CoDi-2 能够以 any-to-any 输入-输出模态范式进行上下文学习、推理、聊天、编辑等任务。通过对齐编码与生成时的模态与语言，CoDi-2 使 LLM 不仅可以理解复杂的模态交错指令和上下文示例， 还能在连续的特征空间内自回归地生成合理和连贯的多模态输出。
而为了训练 CoDi-2，研究者构建了一个大规模生成数据集，包含了跨文本、视觉和音频的上下文多模态指令。CoDi-2 展示了一系列多模态生成的零样本能力，比如上下文学习、推理以及通过多轮交互对话实现的 any-to-any 模态生成组合。其中在主题驱动图像生成、视觉转换和音频编辑等任务上超越了以往领域特定的模型。
人类与 CoDi-2 的多轮对话为图像编辑提供了上下文多模态指令。
需要重新书写的内容是：模型架构
CoDi-2 在设计时旨在处理上下文中的文本、图像和音频等多模态输入，利用特定指令促进上下文学习并生成相应的文本、图像和音频输出。CoDi-2 需要重新书写的内容是：模型架构图如下所示。
以多模态大语言模型作为基础引擎
这种 any-to-any 基础模型可以消化交错式模态输入，理解和推理复杂指令（如多轮对话、上下文示例），并与多模态扩散器交互，实现这一切的前提是需要一个强大的基础引擎。研究者提出将 MLLM 作为这个引擎，它的构建需要为仅文本的 LLM 提供多模态感知。
利用对齐的多模态编码器映射，研究者可以无缝地使 LLM 感知到模态交错的输入序列。具体地，在处理多模态输入序列时，他们首先使用多模态编码器将多模态数据映射到特征序列，然后特殊 token 被添加到特征序列的前后，比如「⟨audio⟩ [audio feature sequence] ⟨/audio⟩」。
多模态生成的基础是MLLM
研究者提出将扩散模型（DM）集成到MLLM中，以生成多模态输出。在此过程中，遵循了详尽的多模态交错指令和提示。扩散模型的训练目标如下所示：
接着他们提出训练 MLLM 以生成条件式特征 c = C_y (y)，该特征被馈入到扩散模型中以合成目标输出 x。这样一来，扩散模型的生成损失被用来训练 MLLM。
任务类型
该模型在以下示例任务类型中展现出强大的能力，它提供了一种独特的方法，可以促使模型生成或转换上下文中的多模态内容，包括文本、图像、音频、视频及其组合
重写后的内容为：1. 零样本推理。零样本推理任务要求模型在没有任何先前示例的情况下进行推理并生成新的内容
2. 一次/少量样本提示。一次或少量样本提示为模型提供了一个或几个示例，以便在执行类似任务之前从中学习。这种方法在以下任务中很明显：模型将学习到的概念从一个图像应用到另一个图像，或者通过理解所提供示例中描述的风格来创建一个新的艺术品。
实验及结果
模型设置
本文模型的实现基于 Llama2，特别是 Llama-2-7b-chat-hf。研究者使用 ImageBind ，它具有对齐的图像、视频、音频、文本、深度、thermal 和 IMU 模式编码器。研究者使用 ImageBind 对图像和音频特征进行编码，并通过多层感知器（MLP）将其投射到 LLM（Llama-2-7b-chat-hf）的输入维度。MLP 由线性映射、激活、归一化和另一个线性映射组成。当 LLM 生成图像或音频特征时，他们通过另一个 MLP 将其投射回 ImageBind 特征维度。本文图像扩散模型基于 StableDiffusion2.1 （stabilityai/stable-diffusion-2-1-unclip）、AudioLDM2 和 zeroscope v2。
研究人员为了获得更高保真度的原始输入图像或音频，将它们输入到扩散模型中，并通过连接扩散噪声生成特征。这种方法非常有效，它可以最大程度地保留输入内容的感知特征，并能够添加新内容或改变风格等指令编辑
需要进行重写的内容是：图像生成评估
下图展示了 Dreambench 上主题驱动图像生成的评估结果和 MSCOCO 上的 FID 分数。本文方法实现了极具竞争力的零样本性能，显示了其对未知新任务的泛化能力。
音频生成评估
表 5 展示了音频处理任务的评估结果，即添加、删除和替换音轨中的元素。从表中可以明显看出，与之前的方法相比，本文方法表现出了卓越的性能。值得注意的是，在所有三个编辑任务中，它在所有指标——对数谱距离（LSD）、Kullback-Leibler（KL）发散和 Fréchet Distance（FD）上都取得了最低得分
阅读原文，了解更多技术细节。
WPS Office是一款面向macOS用户的综合办公套件，将文字处理、电子表格、演示文稿、PDF工具、模板与云协作整合在同一应用中。它兼容常见Microsoft Office格式，支持Intel及Apple芯片Mac，基础功能可免费使用，
Shapr3D是一款面向工业设计、机械工程、建筑概念和三维打印工作流的CAD软件。Mac版采用Parasolid建模内核，支持草图约束、实体建模、工程图、可视化渲染及常见CAD格式交换，并可通过账户在多台设备之间同步项目。
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。
Ableton Live 是面向音乐制作人与现场表演者的数字音频工作站，提供编曲视图、独具特色的现场视图、音频录制、MIDI创作、实时变速、乐器及效果器。Mac版原生支持Apple芯片，并可连接音频接口、MIDI控制器和第三方插件。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
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。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Affinity Photo 是一款面向摄影师、修图师和视觉设计人员的桌面图像编辑工具，提供 RAW 显影、多图层合成、蒙版、实时滤镜、批处理和色彩管理等功能。原独立产品已停止销售，其照片编辑能力已延续至免费的新 Affinity 应用；
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Figma 是面向产品设计与开发团队的云端协作平台，可在 Windows 桌面客户端中完成界面绘制、组件管理、交互原型、评论评审和开发交付。文件保存在云端，多名成员能够同步编辑并共享设计系统；官方同时提供免费 Starter 方案及按席位计
Affinity Designer 是面向矢量图形、数字插画和界面设计的专业创作工具，可在矢量、像素与导出工作区之间快速切换。它提供曲线编辑、形状构建、画板、排版、图层和专业色彩管理，并支持常见设计文件的导入及多种印刷、网页格式输出。
Capture One Pro 是面向摄影师和影像团队的专业桌面照片处理工具，提供相机定制色彩配置、RAW转换、图层与蒙版、联机拍摄、目录及会话管理等功能。它适合棚拍、人像、商业产品、婚礼和风光摄影，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
DaVinci Resolve是Blackmagic Design推出的一体化影视后期工具，将素材管理、非线性剪辑、专业调色、Fusion视觉特效、Fairlight音频处理和成片交付整合在统一工程中。免费版已覆盖多数个人创作需求，