导读
这几天看到一个非常有意思的工作——ChatSpot，这是由旷视基础模型小组最新研究的工作，目前还未正式推出，不过 Demo 已经放出，大家可以玩一玩。
TL;DR: 据作者称，ChatSpot是一个提升多模态大语言模型“精确指代”（亦即交互）能力的探索工作，即非拼接的、能读懂用户“自然语言”以外的指令，如鼠标/手指的点击、拖拽等指代行为的交互式多模态 LLM。下面让我们一起跟随原著的脚步一起了解下，这项工作的“有趣之处”在哪里。
背景与动机
想象下面这个一个例子，如果你想知道图片中位于香蕉和苹果中间的外绿内白的水果是什么，你会如何提问？
一般而言，现有的 LLM 的模式必然是，你输入一张图片，然后直接提问：
Hei, Siri GPT，请告诉我图片中位于香蕉下面、苹果上面的外绿内白的水果是什么？在这句表达中可以看到在缺乏更直接的“指代”方式的情况下，用户不得不使用大量“定语”去提升指代内容的准确性。
当允许使用点、框和mask来表达用户的指代内容时，就好像用户和AI助手都在观察一张图像。用户可以使用手指或鼠标在图像上指向和绘制，以达到相同的目的。用户可能会拖动手指/鼠标选择感兴趣的区域（RoI），或者点击他们感兴趣的目标，如下所示：
然后，我们只需要简单提问：这是什么水果？
不难发现，有了更丰富的指代工具，沟通效率和便利程度会直线提升。我们把这类用于指代聊天目标或区域的用户输入统一称为Referring Prompt。
核心亮点
ChatSpot 是非拼接式的，将 Referring Prompt 编码为输入与 image、language 一同丢进LLM进行联合训练，故具有更大的Referring Prompt选择的灵活性，和更高的性能上限。下面是一些ChatSpot效果/能力展示：
1. 指代目标识别
ChatSpot能精确感知用户定位的区域，以及精准感知区域内的物体，如下面三个示例：
本例中，ChatSpot认出了Batman，Robin（查了下，似乎是第四代罗宾，瑞思拜）、超人cosplay，对他们在DC宇宙中的关系也一清二楚。为了更清晰的展示，每个框附上了序号标签，表示输入的先后顺序。
ChatSpot精准感知到用户框取的感兴趣的区域，并识别了区域内的物体，如海鸥、薯条、海鸥的嘴、鞋。
这个例子中，ChatSpot 很好的区分了局部与整体，不仅识别了熊的脑袋，也识别了脑袋上的鼻子、嘴巴、眼睛等概念，有各层次细粒度的目标识别能力。此外也能感知到毛发潮湿这类细节特征。
2. 指代文字识别
此外，下面还有一些例子，可以体现出ChatSpot与其他多模态大模型一样，具备基本的常识和reasoning能力。
延伸
ChatSpot不仅是一个聊天助手，在很多行业都具有潜在的应用价值，如机器人（Embodied AI）、智能头显（AR/VR/MR）、医疗等，期待大家积极解锁新的使用场景。当然作为初版模型，ChatSpot旨在做概念验证，其本身能力还远未达到product-level quality。
Referring Prompt的扩展，当下仅支持框、点、mask（Demo目前只开放基于框的交互），原理上它可以支持任意可编码的输入，如图像、声音等，未来我们也会积极探索更丰富的Referring Prompt形式，也希望更多的同行可以参与到这个方向来。
总结
今天我们为大家介绍的这款新模型，可以看出它的不同之处便是——“言简意赅”，大白话就是用户并不需要描述一堆“上下文”来表达自己的诉求，这就像赋予了多模态大语言模型“一双眼睛”一般，直接指哪说哪，非常的有趣！
本着实事求是的探索精神，阿伟也为大家率先体验了一番：
以下是一些试验性的对话记录：
可以看出，模型确实是能够“理解”用户的意图并“准确”的回答出来。但本质上仍然还是会受到 LLM 普遍会犯的 “困惑” 窘境，即掉入用户错误的提示当中。当然，像ChatGPT这样的语言模型是通过机器学习训练得到的，其目标是生成合乎逻辑和相关性的回答，而不是确保回答的准确性。模型的训练数据包含了大量的人类生成的文本，因此它会学习到一些常见的观点、事实和推理，但并不保证每个回答都是绝对准确的。
当用户声称模型的回答是错误的时候，这可能是因为模型在某些情况下会产生一些不准确或有争议的答案。此外，语言模型也没有能力判断信息的真实性或准确性，它只能基于训练数据中的模式进行生成回答。
在与语言模型交互时，用户可以提供更多的上下文信息、相关证据或要求模型进一步解释其回答，以便获得更准确和详尽的回答。模型的目标是尽可能提供有帮助的信息，但用户仍然需要对模型的回答进行批判性思考，并结合其他可靠的信息来源进行判断。
另外，我们测试下它的文字识别能力：
可以看出模型性能整体还是有待提升。但总的来说，ChatSpot 确实是一项不错且有意思的工作，而且该工作的核心是解决“交互”的问题，单从这一点来看表现还是相当优异。至于未来多模态大语言模型会发展成什么样也没人能够准确预测，让我们保持初心，持续 follow!
作者： 派派星
文章来源：CVHub
推荐阅读
- thinktwice：用于端到端自动驾驶的可扩展解码器（已开源）
- CVPR 2023｜小红书提出 OvarNet 模型：开集预测的新SOTA，“万物识别”有了新玩法
- 苏黎世理工 & 港科大震撼力作 | HQ-SAM：SAM新秀-高质量分割一切模型
- YOLOv8太卷啦 | YOLOv8官方仓库正式支持RT-DETR训练、测试以及推理
- 软硬协同优化 (1)：高层综合编译技术
更多嵌入式AI干货请关注嵌入式AI专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
