李开复发布了一款全球顶级的多模态大模型开源方案
领跑中英文两大权威榜单，李开复零一万物交出多模态大模型答卷！距离其首款开源大模型Yi-34B和Yi-6B的发布，仅间隔不到三个月的时间。模型名为YiVisionLanguage（Yi-VL），现已正式面向全球开源。同属Yi系列，同样具有两个版本：Yi-VL-34B和Yi-VL-6B。先来看两个例子，感受一波Yi-VL在图文对话等多元场景中的表现：Yi-VL对整幅图做了详细分析，不仅说明了指示牌上的内容，甚至连“天花板”都有照顾到。中文方面，Yi-VL也能清晰有条理地准确表达：此外，官方也给出了测试结果。Y
领跑中英文两大权威榜单，李开复零一万物交出多模态大模型答卷！
距离其首款开源大模型Yi-34B和Yi-6B的发布，仅间隔不到三个月的时间。
模型名为Yi Vision Language（Yi-VL），现已正式面向全球开源。
同属Yi系列，同样具有两个版本：
Yi-VL-34B和Yi-VL-6B。
先来看两个例子，感受一波Yi-VL在图文对话等多元场景中的表现：
Yi-VL对整幅图做了详细分析，不仅说明了指示牌上的内容，甚至连“天花板”都有照顾到。
中文方面，Yi-VL也能清晰有条理地准确表达：
此外，官方也给出了测试结果。
Yi-VL-34B在英文数据集MMMU上准确率41.6%，仅次于准确率55.7%的GPT-4V，超越一系列多模态大模型。
而在中文数据集CMMMU上，Yi-VL-34B准确率36.5%，领先于当前最前沿的开源多模态模型。
Yi-VL长啥样？
Yi-VL基于Yi语言模型研发，可以看到基于Yi语言模型的强大文本理解能力，只需对图片进行对齐，就可以得到不错的多模态视觉语言模型——这也是Yi-VL模型的核心亮点之一。
在架构设计上，Yi-VL模型基于开源LLaVA架构，包含三个主要模块：
- Vision Transformer（简称ViT）用于图像编码，使用开源的OpenClip ViT-H/14模型初始化可训练参数，通过学习从大规模”图像-文本”对中提取特征，使模型具备处理和理解图像的能力。
- Projection模块为模型带来了图像特征与文本特征空间对齐的能力。该模块由一个包含层归一化（layer normalizations）的多层感知机（Multilayer Perceptron，简称MLP）构成。这一设计使得模型可以更有效地融合和处理视觉和文本信息，提高了多模态理解和生成的准确度。
- Yi-34B-Chat和Yi-6B-Chat大语言模型的引入为 Yi-VL 提供了强大的语言理解和生成能力。该部分模型借助先进的自然语言处理技术，能够帮助Yi-VL深入理解复杂的语言结构，并生成连贯、相关的文本输出。
△图说：Yi-VL模型架构设计和训练方法流程一览
在训练方法上，Yi-VL模型的训练过程分为三个阶段，旨在全面提升模型的视觉和语言处理能力。
第一阶段，使用1亿张的“图像-文本”配对数据集训练ViT和Projection模块。
在这一阶段，图像分辨率被设定为224x224，以增强ViT在特定架构中的知识获取能力，同时实现与大型语言模型的高效对齐。
第二阶段，将ViT的图像分辨率提升至448x448，让模型更加擅长识别复杂的视觉细节。此阶段使用了约2500万“图像-文本”对。
第三阶段，开放整个模型的参数进行训练，目标是提高模型在多模态聊天互动中的表现。训练数据涵盖了多样化的数据源，共约100万“图像-文本”对，确保了数据的广泛性和平衡性。
零一万物技术团队同时也验证了可以基于Yi语言模型强大的语言理解和生成能力，用其他多模态训练方法比如BLIP、Flamingo、EVA等快速训练出能够进行高效图像理解和流畅图文对话的多模态图文模型。
Yi系列模型可以作为多模态模型的基座语言模型，给开源社区提供一个新的选项。同时，零一万物多模态团队正在探索从头开始进行多模态预训练，更快接近、超过GPT-4V，达到世界第一梯队水平。
目前，Yi-VL模型已在Hugging Face、ModelScope等平台上向公众开放，用户可亲身体验这款模型在图文对话等多元场景中的表现。
超越一系列多模态大模型
在全新多模态基准测试MMMU中，Yi-VL-34B、Yi-VL-6B两个版本均有不俗表现。
MMMU（全名Massive Multi-discipline Multi-modal Understanding & Reasoning 大规模多学科多模态理解和推理）数据集包含了11500个来自六大核心学科（艺术与设计、商业、科学、健康与医学、人文与社会科学以及技术与工程）的问题，涉及高度异构图像类型和交织文本图像信息，对模型的高级知觉和推理能力提出了极高要求。
而Yi-VL-34B在该测试集上以41.6%的准确率，成功超越了一系列多模态大模型，仅次于GPT-4V（55.7%），展现出强大的跨学科知识理解和应用能力。
同样，在针对中文场景打造的CMMMU数据集上，Yi-VL模型展现了“更懂中国人”的独特优势。
CMMMU包含了约12000道源自大学考试、测验和教科书的中文多模态问题。
其中，GPT-4V在该测试集上的准确率为43.7%， Yi-VL-34B以36.5%的准确率紧随其后，领先于当前最前沿的开源多模态模型。
项目地址：
[1]https://huggingface.co/01-ai
[2]https://www.modelscope.cn/organization/01ai
正软商城本月促销专区，汇集办公、设计、安全、影音、系统工具及AI软件等正版软件优惠活动，提供限时折扣、特价授权和优惠购买信息，活动库存及价格以页面实时展示为准。
正软商城装机必备专区，精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件，帮助用户快速完成新电脑软件配置。
正软商城Windows软件专区，汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件，提供软件介绍、系统要求、正版授权及购买下载服务。
正软商城macOS软件专区，精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具，提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。
正软商城iOS软件专区，精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用，提供功能介绍、适用设备、系统要求和正版获取方式等信息。
正软商城AI软件专区，汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具，提供功能介绍、适用平台、收费方式及正版购买信息。
正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法，同时介绍常用PDF软件和工具的使用技巧。
赤友清理大师是一款为 Mac 设计的智能清理优化工具，可精准扫描垃圾、大文件、重复文件等，释放磁盘空间。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
