GPT-4 识图功能迟迟不开放，终于有人忍不住自己动手做了一个。

(资料图片)

MiniGPT-4来了，Demo 开放在线可玩。

传一张海鲜大餐照片上去，就能直接获得菜谱。

传一张商品效果图，就可以让 AI 写一篇带货文案。手绘一个网页，可以给出对应的 HTML 代码除了生产力拉满，也支持根据常识推理图上内容是否合理、解释表情包为什么好笑，以及看截图找电影等娱乐玩法。可以说，GPT-4 发布时展示过的功能，MiniGPT-4 基本也都有了。

这下网友直接把 Demo 服务器挤爆，开发团队连开 4 台备用服务器，都有几十人在排队。

除了研究团队给出的示例，网友也用 MiniGPT-4 玩出了各种花样

有人上传自己画的画，让 AI 评价评价。

有人上传一张从车道拍摄的飞机坠毁瞬间，让 MiniGPT-4 尽可能详细地描述，并思考自动驾驶 AI 能不能理解这个场面。做到这么好的效果，MiniGPT-4 实现起来却并不复杂。

把图像编码器与开源语言模型 Vicuna（小羊驼）整合起来，并且冻结了两者的大部分参数，只需要训练很少一部分。

传统预训练阶段，使用 4 张 A100 在 10 个小时内就可完成，此时训练出来的 Vicuna 已能够理解图像，但生成能力受到很大影响。

为解决这个问题，团队让 MiniGPT-4 与 ChatGPT 合作创建了 3500 个图像文本的高质量数据集，也一并开源。

用新的数据集微调可以显著提高模型的生成可靠性和整体可用性，而且计算效率很高，使用单个 A100 只需要 7 分钟。

并且团队正在准备一个更轻量级的版本，部署起来只需要 23GB 显存。

也就是消费级显卡中拥有 24GB 显存的3090 或 4090就可以本地运行了。

MiniGPT-4 开发团队来自 KAUST（沙特阿卜杜拉国王科技大学），包括 4 位华人成员和他们的导师 Mohamed Elhoseiny。

两位正在读博的共同一作还在 GitHub 页面上特别标注正在找工作。

有意向的公司要抓紧抢人了～

在线 Demo：

https://minigpt-4.github.io

开源代码：

https://github.com/Vision-CAIR/MiniGPT-4

论文：

https://github.com/Vision-CAIR/MiniGPT-4/blob/main/MiniGPT_4.pdf