多模态 GPT-V 出世!36 种场景分析 ChatGPT Vision 能力,LMM 将全面替代大语言模型? | 京东云技术团队
LMM 将会全面替代大语言模型?人工智能新里程碑 GPT-V 美国预先公测,医疗领域/OCR 实践+166 页 GPT-V 试用报告首发解读
ChatGPT Vision,亦被广泛称为 GPT-V 或 GPT-4V,代表了人工智能技术的新里程碑。作为 LMM (Large Multimodal Model) 的代表,它不仅继承了 LLM (Large Language Model) 的文本处理能力,还加入了图像处理的功能,实现了文本与图像的多模态交互。与传统的 LLM 相比,GPT-V 更加强大和灵活,能够更深入地理解和生成与图像相关的内容。这种进化打开了无数新的应用可能性,从图像描述、创意设计到复杂的图文结合任务,GPT-4V 都展现出了卓越的性能和广泛的潜力。
使用方法:GPT-V 目前对于美国区 ChatGPT Plus 账户开放。
相关链接:ChatGPT can now see, hear, and speak
相关介绍:GPTV_System_Card.pdf
166 页 GPT-V 试用报告:Dawn of LMMs: Preliminary Explorations with GPT-4V(ision)
性能:对于 ChatGPT4,速度比纯文本中文 Prompt 慢 40%左右。(注意,当从 GPT4 切换到 GPT-V 后,纯文本中文 Prompt 速度提升了大概 200%)
花费:$20 美元一月,限速 3 小时 25 条,尚未开放 API
调研版本:10-12 ChatGPT Vision(图片聊天/GPT 多模态功能) ChatGPT September 25 Version
本文图片部分为实践(OCR/医学等),部分来自网络(推特/Arxiv 试用报告),题图由 ChatGPT DALL-E 3 生成。
本文尝试从以下案例,对 AI 新里程碑 LMM 进行探索:
TLDR 总结:
ChatGPT Vision 更偏向于有创造性的图片理解,而非机器性细节识别。
ChatGPT Vision 试图以大模型的涌现能力,从高层次理解整个图片,将图片如同文字一般对待,而非是 OCR 式的匹配识别。ChatGPT Vision 和 OCR 的区别,与语义搜索和关键词搜索的区别类似。
ChatGPT Vision 具有较大幻觉问题,Few-shot/CoT 等 Prompting 方法也无法改善这一点(涌现能力不足),说明 ChatGPT Vision 仍处于像当年 ChatGPT v3 一样的初期阶段。预计未来几年随着参数规模的进一步提升,多模态大模型可能会复现文本大模型的发展路径。
(图 1:Few-shot 方法不能提高 GPT-4V 获取仪表板信息的准确性,红色代表回答错误)
(图 2:CoT 方法不能稳定质变提高 GPT-4V 数苹果的准确性,红色代表回答错误,绿色代表正确)
适用场景:
上下文概念性工作,如文章头图的自动审核初筛、皮肤病的照片辅助筛选,DR/CT 照片影像学诊断,提供 HTML alt text 等。
图片创意性工作,如 1.3 节 商品销售文案生成、商品使用建议生成、商品创意名称生成等。
不适用场景:
有精确性要求的文字工作:如 1.1 节 患者诊疗单等 OCR 场景。
主体过多的复杂图片,如 1.3 节 前端网页代码复刻。
有潜力的场景:
清晰图片/截图的总结性工作,包括 1.3 节 图片的复杂理性/感性分析,如网络热图解释、教育场景
高纬度大模型推理,如 1.3 节 辨别电影/景点、客服、气候分析、设计图/网站设计建议等
1.0 基础功能
多图片上下文识别能力
(图 3:研究者输入了多张购物账单小票/菜单图片,GPT-4V 做出了正确回答)
理解图中标识(如箭头)和强调(如红圈标红)
(图 4:对于使用箭头/画圈标识的图片,GPT-4V 能做出了正确理解和回答)
1.1 OCR 功能(幻觉严重,中文效果差)
中文:电脑截图(准确)
中文:清晰中文表格图片(幻觉严重)
中文:有复杂信息的真实患者诊疗单(幻觉严重)
患者诊疗单(给 GPT 的是原图,以下图片经过二次处理模糊了患者信息)
英文:准确:强对比度、轻微镜头畸变、中等像素噪声图片
阿拉伯语:部分准确:手写体转译英文
muin on X: "GPT-4V will be able to transcribe and translate manuscripts and texts. I am excited to try out Arabic manuscripts to see how well it does. It does a phenomenal job with transcription even better than most humans. https://t.co/K6y6WffLvz" / X
1.2 医学诊断(高准确率)
肺部 X 光:肺炎判断(准确)
图像来源:GitHub - linhandev/dataset: 医学影像数据集列表 『An Index for Medical Imaging Datasets』https://github.com/linhandev/dataset https://www.kaggle.com/datasets/nih-chest-xrays/data#:~:text=Class%20descriptions,Hernia
图片输入
GPT-V 判别结果:(肺炎, 0.7)
1.肺炎:
◦置信度: 0.7
◦原因: X 光片上下肺区的密度增加可能提示肺炎的存在,但根据图片无法明确确定。
2.肺水肿:
◦置信度: 0.6
◦原因: 下肺区的密度增加可能与液体积聚有关,如心力衰竭导致的肺水肿。
3.间质性肺病:
◦置信度: 0.5
◦原因: 有一些间质改变的迹象,但需要与先前的影像进行比较。
4.支气管炎:
◦置信度: 0.4
◦原因: 慢性支气管炎可能导致一些观察到的不透明度。
5.结核病:
◦置信度: 0.3
◦原因: 尽管结核病可表现为不透明和可能的固实化,但该图像并不强烈地表现出结核病的典型特征。
6.肺癌:
◦置信度: 0.2
◦原因: 虽然没有明确的结节或肿块,但由于 X 光在显示其他结构后面的小结节时的局限性,肺癌不能完全排除。
皮肤病:黑色素瘤判断(部分准确)
数据源:ISIC Archive
https://gallery.isic-archive.com/#!/topWithHeader/onlyHeaderTop/gallery?filter=%5B%5D
图片输入
GPT-V 判别结果(常见痣 0.6,黑色素瘤 0.3)
黑色素细胞痣 (常见痣)
◦ 信心分数: 0.6
▪ 原因: 该皮损表现出与常见痣相似的特征,中央有深色区域。50 岁左右的人群中很常见。
老年性角化病
◦ 信心分数: 0.4
▪ 原因: 老年性角化病是老年人中常见的非癌性皮肤生长,颜色可能会有所不同。
异型痣
◦ 信心分数: 0.5
▪ 原因: 这类痣与常见痣有所不同,通常较大。鉴于大小 (1.4mm) 和位置 (下肢),需要考虑此诊断。
黑色素瘤
◦ 信心分数: 0.3
▪ 原因: 黑色素瘤是一种皮肤癌,虽然所提供的图像有可能与黑色素瘤一致的特征,但需要皮肤科医生进行全面评估才能确诊。
基底细胞癌
◦ 信心分数: 0.2
▪ 原因: 它是最常见的皮肤癌形式,但所提供的图像没有基底细胞癌的典型迹象。但鉴于患者的年龄,仍需考虑。
血管瘤
◦ 信心分数: 0.2
▪ 原因: 血管瘤是由血管组成的良性肿瘤。图像中的红色可能暗示这一点,但从整体外观看,可能性较小。
老年疣(0.7)
数据源:ISIC Archive
图片输入
GPT-V 判别结果**(老年疣 0.7)**
老年疣 - 置信度:0.7
黑色素痣 - 置信度:0.5
基底细胞癌 - 置信度:0.4
日光角化症 - 置信度:0.4
鳞状细胞癌 - 置信度:0.3
该图像显示了皮肤的放大视图,老年疣在头部和颈部区域较为常见,且经常出现在中老年人群中,因此我给予了较高的置信度。
其他脑部/胸部 X 光诊断(高准确率)
(绿色代表正确,红色代表错误,黄色代表幻觉)
1.3 高纬度识别能力(高质量,虽有幻觉问题)
大众点评/小红书文案
商品使用建议(左),商品销售文案(右)
车祸车辆识别
红色代表错误
理解流程图
解释笑话
商品新颖命名
电路图描述
地标描述
菜谱生成
分析球类运动局势/运动员姿势(存在幻觉)
Abran Maldonado on X: "One of my favorite demos I tested out, in honor of football season, ChatGPT Vision will forever change coaching and sports analytics. Whether i build it or not, ChatGPT for coaching will be on every sideline in the league. Mark my words. https://t.co/uUYhsKpEGh" / X
幻觉(该运动员使用的是反手 Backhand,而非正手 forehand):
识别电影/相机/景点等
给予用户产品安装/摄像等的建议和帮助
X: "ChatGPT can now see, hear, and speak. Rolling out over next two weeks, Plus users will be able to have voice conversations with ChatGPT (iOS & Android) and to include images in conversations (all platforms). https://t.co/uNZjgbR5Bm https://t.co/paG0hMshXb" / X
辅导扑克(存在幻觉)
网页截图到 HTML 代码(理解不足)
结果:
白板骨架到前端项目
Mckay Wrigley on X: "You can give ChatGPT a picture of your team’s whiteboarding session and have it write the code for you. This is absolutely insane. https://t.co/bGWT5bU8MK" / X
https://twitter.com/mckaywrigley/status/1707101465922453701
清晰图片的复杂理性/感性分析
Pietro Schirano on X: "This is absolutely wild. I am completely speechless. https://t.co/wGTAx1hFgS" / X
https://twitter.com/skirano/status/1706874309124194707?
Mckay Wrigley on X: "ChatGPT breaks down this diagram of a human cell for a 9th grader. This is the future of education. https://t.co/L0Za0ZB5rs" / X
主体多的复杂图片的复杂理性分析
Alex Northstar on X: "Thanks ChatGPT, that can read & understand better than humans! https://t.co/TgVSuHgf8j" / X
https://twitter.com/NorthstarBrain/status/1707668600281063514
1.4 不足与风险
图片(含人眼不可见文字)的注入风险
(图中,用户以不可见的浅色字添加了 Sephora 化妆品促销水印,人眼无法察觉,但 GPT-V 可感知)
(图中,用户以不可见的浅色字使 GPT-4V 一定对这份简历会给出雇佣建议)
不能使用于人脸识别
当 GPT-4 在 2023 年 3 月首次发布时,GPT-4V 面部识别功能可能存在安全和隐私问题,因此 GPT-4V(具备视觉功能的 GPT-4)被暂缓发布。
在早期的模型中,用户本可以理论上上传人物照片,并要求识别他们,这显然是对隐私的侵犯。根据技术论文,GPT-4V(为 ChatGPT Vision 提供支持)现在拒绝此类请求的时间达到了 98%。
GPT-4V(ision) technical work and authors
作者:京东健康 李卓伦
来源:京东云开发者社区 转载请注明来源
版权声明: 本文为 InfoQ 作者【京东科技开发者】的原创文章。
原文链接:【http://xie.infoq.cn/article/c4cda5e12ecde31db235cf8f7】。文章转载请联系作者。
评论