MM1.5 – 苹果推出的升级版多模态大模型-爱论文

MM1.5是什么

MM1.5是苹果公司推出的多模态大型语言模型，旨在增强文本丰富图像理解、视觉指代和定位以及多图像推理能力。模型基于数据为中心的训练方法，在大规模预训练、高分辨率OCR数据持续预训练及优化的视觉指令微调，实现从1B到30B参数规模的高性能。MM1.5包括密集型和MoE变体，展现小规模模型通过精细数据策划和训练策略达到强大性能。MM1.5推出针对视频理解和移动UI理解优化的专门变体MM1.5-Video和MM1.5-UI，基于实证研究提供训练过程和决策的深入见解，为多模态AI技术的未来发展提供指导。

MM1.5的主要功能

文本丰富的图像理解：MM1.5能理解图像中的文本内容以及文本与图像内容之间的关系。视觉指代和定位：模型识别图像中的特定对象，理解文本中对对象的引用，如“那个红色的球”。多图像推理：MM1.5能分析多张图像，理解图像之间的联系，进行逻辑推理。视频理解：基于MM1.5-Video变体，模型能理解视频内容，包括动作、事件和时间序列。移动UI理解：MM1.5-UI变体专门针对移动应用界面的理解，识别和操作界面元素。

MM1.5的技术原理

深度学习和自然语言处理：结合深度学习的视觉模型和自然语言处理技术，模型能理解和生成与图像内容相关的文本。坐标token和视觉注意力机制：用坐标token定位图像中的对象，基于视觉注意力机制关注图像的特定区域。图像分割和多模态融合：将图像分割成多个部分，与文本信息融合，支持多图像推理。视频帧采样和时序分析：对视频帧进行采样，分析帧之间的时序关系，理解视频内容。界面元素识别：用图像识别技术识别移动界面上的元素，如按钮和图标。

MM1.5的项目地址

arXiv技术论文：https://arxiv.org/pdf/2409.20566v1

MM1.5的应用场景

图像和视频理解：MM1.5能理解和分析图像及视频内容，应用于图像标注、视频内容分析、安防监控等领域。视觉搜索：在电子商务或数字图书馆中，MM1.5帮助用户基于描述或查询图像来搜索特定的产品或文档。辅助驾驶和自动驾驶：在汽车行业，MM1.5用在理解和分析道路情况，辅助驾驶决策。智能助手：在智能手机和智能家居设备中，MM1.5提供更自然、直观的交互方式，理解用户的语音或文本指令。教育和培训：MM1.5作为教育工具，帮助学生理解复杂的概念，提供个性化的学习体验。