▲图源Monkey项目的GitHub页面
IT之家注：多模态大模型是一类可以同时处理和整合多种感知数据（例如文本、图像、音频等）的AI架构。
据介绍，Monkey模型在18个数据集上的实验中表现出色，特别是在图像描述和视觉问答任务方面，超越了众多现有知名的模型如微软的LLAVA、谷歌的PALM-E、阿里的Mplug-owl等。此外，Monkey在文本密集的问答任务中显示出“显著的优势”，甚至在某些样本上超越了业界公认的领先者——OpenAI的多模态大模型GPT-4V。
Monkey的一个显著特点是“看图说话”能力。在详细描述任务中，Monkey展现了对图像细节的感知能力，能够察觉到其他多模态大模型所忽略的内容。如对下图进行的文本描述中，Monkey正确地将其识别为埃菲尔铁塔的绘画，并提供了构图和配色方案的详细描述。而对左下角的文字，只有Monkey和GPT-4V能将其准确地识别为作者名。
Monkey号称能够利用现有的工具构建一种多层级的描述生成方法，即通过五个步骤依次对图片进行整体简述、空间定位、模块化识别、描述赋分选取和最终总结，此举可以充分结合不同工具的特性，提升描述的准确性和丰富程度。
“一个个工具就好比不同的零件，合理的排列组合才能使其发挥最大作用，”白翔教授说，“我们团队从2003年开始便从事图像识别研究，去年我们又从海外引进了专攻多模态大模型的青年Kaiyun官方网站app登录 ，Monkey的最终方案是大家一起反复讨论，尝试了10余种方案后最终确定的。”白翔教授说。
Monkey的另一亮点是能够处理分辨率最高1344×896像素的图像，这是目前其他多模态大模型所能处理的最大尺寸的6倍，这意味着Monkey能对更大尺寸的图片进行更准确、丰富、细致的描述甚至推理。
Monkey多模态大模型代码目前已在GitHub开源。
