刷爆多模态任务榜单！贾佳亚团队Mini-Gemini登热榜，全部开源

机器之心发布

机器之心编辑部

Mini-Gemini 堪比 GPT4+DALLE3 王炸组合。

更高清图像的精确理解、更高质量的训练数据、更强的图像解析推理能力，还能结合图像推理和生成，香港中文大学终身教授贾佳亚团队提出的这款多模态模型 Mini-Gemini 堪称绝绝子，相当于开源社区的 GPT4+DALLE3 的王炸组合！

Github 地址：https://github.com/dvlab-research/MiniGemini

Demo 地址: http://103.170.5.190:7860/

论文地址：https://arxiv.org/pdf/2403.18814.pdf

模型地址：https://huggingface.co/collections/YanweiLi/mini-gemini-6603c50b9b43d044171d0854

数据地址：https://huggingface.co/collections/YanweiLi/mini-gemini-data-660463ea895a01d8f367624e

Mini-Gemini 还提供了 2B 小杯到 34B 的超大杯，最强模型在多个指标上相比 Google Gemini Pro 甚至 GPT-4V 都不遑多让。目前，Mini-Gemini 从代码、模型、到数据已全部开源，还登上了 PaperWithCode 热榜。

值得一提的是，Mini-Gemini 的图像理解和生成能力已经出了 Demo，可以在线跟自定义图像对话的那种。

操作也极其简单，直接跟输入图像或文字进行对话即可，欢迎来撩！

Mini-Gemini Demo 放出后受到广大网友关注，一番 “品尝” 后，他们认为 Mini-Gemini 跟商业模型差不了多少！

效果展示

目前，绝大多数多模态模型仅支持低分辨率图像输入和文字输出，而在实际场景中，许多任务都需要对高清图像进行解析，并用图像的形式进行展现。

如上图所示，Mini-Gemini 不仅能够根据图片对做面包的过程进行手把手教学，也能够准确将不同电脑根据图片中的各种参数进行对比。网友表示：妈妈再也不用担心我的生活了。

更重要的是，Mini-Gemini 在保留超强的图像理解和推理能力的同时，还解锁了图像的生成能力，就如同 ChatGPT 和生成模型的结合。

下面，让我们通过几个例子来更直观地感受这种能力：

还记得 Google Gemini 的官方演示视频么？当用户给出两个毛线团并问出能用它们做什么时，Gemini 可以识别出图片内容并给出相应的建议。

当我们把相似的输入给到 Mini-Gemini，它会怎么回答呢？

可以发现，Mini-Gemini 也可以识别出图片中的元素，并且给出合理的建议，同时生成了一只对应的毛线小熊。

通过一些抽象的多模态指令来让模型给出推理，并生成合适的图片，这个操作就很像是 ChatGPT 和 DALLE3 的联动了！

接下来让 Mini-Gemini 做自己最擅长的推理和图片理解，看看它表现：

比如理解图片中的矛盾点并举一反三：输入冰川中的仙人掌，它会解释其中的矛盾并生成一张热带雨林中北极熊的图片：

图片呈现了仙人掌的典型栖息地与冰的存在之间的视觉矛盾，因为在沙漠环境中自然不会出现冰。这种矛盾的类似例子可能是一只北极熊出现在热带雨林中，因为北极熊适应于寒冷、覆盖着冰的环境，在炎热潮湿的气候中无法生存。这种并置创造了一个引人注目且超现实的视觉效果，挑战观众的期待，并可能引发人们对气候变化、环境适应或不同生态系统融合的思考。

同时，正如 ChatGPT+DALLE3 的梦幻结合一样，Mini-Gemini 的推理生成功能还可以在多轮对话中通过简单指令生成连环小故事。

比方说，让它根据用户输入讲一个贵族小老鼠的故事。Mini-Gemini 会根据前文的文字生成结果和用户输入进行推理，在保持一致性的情况下对图片进行修改，使其更符合用户的要求。

当然，Mini-Gemini 对于多模态模型的传统技能图片理解也不在话下。比如让模型理解输入曲线图（上图）的数学意义（高斯分布），并让它使用代码复现这张图，通过运行生成的代码，模型可以高质量地还原曲线图，节省了复现的时间。

又或者让 Mini-Gemini 理解梗图，通过其强大的 OCR 和推理能力，也可以准确指出笑点。

高清复杂的多图表理解和归纳也是小菜一碟，Mini-Gemini 秒变打工人效率提升的超级外挂。

Mini-Gemini 背后的技术

大道至简，Mini-Gemini的整体思路并不复杂。其中的Gemini(双子座)表达的是使用视觉双分支的信息挖掘(Mining-Info in Gemini)解决高清图像理解问题。

详细来说，Mini-Gemini 将传统所使用的 ViT 当做低分辨率的 Query，而使用卷积网络 (ConvNet) 将高分辨率的图像编码成 Key 和 Value。使用 Transformer 中常用的 Attention 机制，来挖掘每个低分辨率 Query 所对应的高分辨率区域。从而在保持最终视觉 Token 数目不变的情况下去提升对高清图像的响应，保证了在大语言模型 (LLM) 中对于高清图像的高效编码。值得一提的是，由于高分辨率分支卷积网络的使用，可以根据需要对图像所需的分辨率自适应调整，能够遇强则强。对于图像的生成部分，Mini-Gemini 借助了 SDXL，使用 LLM 推理后所生成的文本链接两个模型，类似于 DALLE3 的流程。

而对于数据这个万金油，Mini-Gemini 进一步收集并优化了训练数据的模型结合的文本数据进行训练。在仅使用 2-3M 数据的情况下，实现了对图像理解、推理、和生成的统一流程。

实验结果

Mini-Gemini 在各种 Zero-shot 的榜单上毫不逊色于各种大厂用大量数据训练出来的模型，可谓是 “平、靓、正” ！

量化指标

可以看出，Mini-Gemini 提供了多种普通和高清版本的模型，并且覆盖了 2B 的小杯到 34B 的超大杯，各个版本都取得了相似参数量下领先的效果，在许多指标上甚至超越 Gemini Pro 和 GPT-4V。