MiniCPM-V 2.0: 具備領(lǐng)先OCR和理解能力的高效端側(cè)多模態(tài)大模型

一背景

今年4月份，面壁智能&清華大學(xué)自然語言處理實(shí)驗(yàn)室推出MiniCPM系列的最新多模態(tài)版本MiniCPM-V 2.0。該模型基于MiniCPM 2.4B和SigLip-400M構(gòu)建，共擁有2.8B參數(shù)。MiniCPM-V 2.0具有領(lǐng)先的光學(xué)字符識別（OCR）和多模態(tài)理解能力。該模型在綜合性O(shè)CR能力評測基準(zhǔn)OCRBench上達(dá)到開源社區(qū)的最佳水平，甚至在場景文字理解方面實(shí)現(xiàn)接近Gemini Pro的性能。簡單來說，就是能夠?qū)崿F(xiàn)更好地理解圖片中內(nèi)容，實(shí)現(xiàn)精準(zhǔn)的“以圖生文”的能力，所見即所得。

本文將通過走馬觀花的方式，初探MiniCPM-V 2.0的新特性。同時(shí)也將分享基于愛芯元智的AX650N芯片適配MiniCPM-V 2.0的最新進(jìn)展，向業(yè)界對端側(cè)多模態(tài)大模型部署的開發(fā)者提供一種新的思路，促進(jìn)社區(qū)對端側(cè)多模態(tài)大模型的探索。

二MiniCPM-V介紹

2.1 MiniCPM-V 2.0特性

● 領(lǐng)先的OCR和多模態(tài)理解能力。MiniCPM-V 2.0顯著提升了OCR和多模態(tài)理解能力，場景文字理解能力接近Gemini Pro，在多個(gè)主流評測基準(zhǔn)上性能超過了更大參數(shù)規(guī)模（例如17-34B）的主流模型。

● 可信行為。MiniCPM-V 2.0是第一個(gè)通過多模態(tài)RLHF對齊的端側(cè)多模態(tài)大模型。該模型在Object HalBench達(dá)到和GPT-4V相仿的性能。

● 任意長寬比高清圖像高效編碼。MiniCPM-V 2.0可以接受180萬像素的任意長寬比圖像輸入（基于最新的LLaVA-UHD技術(shù)），這使得模型可以感知到小物體、密集文字等更加細(xì)粒度的視覺信息。

● 高效部署。MiniCPM-V 2.0可以高效部署在大多數(shù)消費(fèi)級顯卡、個(gè)人電腦以及移動(dòng)手機(jī)等終端設(shè)備。

● 雙語支持。MiniCPM-V 2.0提供領(lǐng)先的中英雙語多模態(tài)能力支持。該能力通過VisCPM[ICLR'24]論文中提出的多模態(tài)能力的跨語言泛化技術(shù)實(shí)現(xiàn)。

2.2 多模態(tài)“小鋼炮”

MiniCPM-V 2.0與參數(shù)規(guī)模更大的多模態(tài)大模型相比，也表現(xiàn)出優(yōu)秀的成績，不愧是業(yè)界“小鋼炮”。

三芯片介紹

3.1 AX650N

愛芯元智第三代高能效比智能視覺芯片AX650N。集成了八核Cortex-A55 CPU，高能效比NPU，支持8K@30fps的ISP，以及H.264、H.265編解碼的 VPU。接口方面，AX650N支持64bit LPDDR4x，多路MIPI輸入，千兆Ethernet、USB、以及HDMI 2.0b輸出，并支持32路1080p@30fps解碼內(nèi)置高算力和超強(qiáng)編解碼能力，滿足行業(yè)對高性能邊緣智能計(jì)算的需求。通過內(nèi)置多種深度學(xué)習(xí)算法，實(shí)現(xiàn)視覺結(jié)構(gòu)化、行為分析、狀態(tài)檢測等應(yīng)用，高效率支持基于Transformer結(jié)構(gòu)的視覺大模型和語言類大模型。提供豐富的開發(fā)文檔，方便用戶進(jìn)行二次開發(fā)。

四上版部署

我們已實(shí)現(xiàn)“命令行”和“UI”兩種示例，其中“命令行”版本已上傳到網(wǎng)盤中，歡迎試用。

4.1 命令行版本

測試圖片：

測試結(jié)果：

4.2 GUI版本

4.3 性能統(tǒng)計(jì)

五結(jié)束語

隨著大語言模型小型化的快速發(fā)展，越來越多有趣的多模態(tài)AI應(yīng)用將逐漸從云端服務(wù)遷移到邊緣側(cè)設(shè)備和端側(cè)設(shè)備。我們會(huì)緊跟行業(yè)最新動(dòng)態(tài)，適配更多的端側(cè)大模型，歡迎大家持續(xù)關(guān)注。