最近大模型都在卷视觉，就是发图片让大模型说出内容。
但是呢这个东西也有强弱之分，最近质朴AI开源的这个就比较强，比如一张卡通房子的图片，问GPT和问质朴AI，GPT会跟你说有三个房子，而质朴AI则会说在图片最右边还有一个跟图片中房子结构很像的东西，图片中应该是四个房子。
我也尝试把图片缩减到2个房子和一个角落，结果AI也答出来了。
那咱们再上点难度，问AAI这图片有多少只狗？这张是12只，这张是16支，居然全对了。
这可是以前网上的人机测试，这里我们提高一下难度，给AI的图片里有饭菜，还有一面镜子。大部分AI现在是无法区分镜子和现实的。质谱AI给出了这样的答案，桌子上有多少道菜，在什么位置都被AI数清楚了。
之所以能做到这么强，是因为质朴在训练这个AI时，将视觉理解放在更优先的位置，使用5B参数的视觉编码器，6B参数的视觉专家模块，总共11B参数建模图像特征，让这个AI的势力得到加强，成为一个能看能说的大模型。
《大模型视觉攻略：深入了解视觉能力及提升方法》
在当今科技发展中，大模型的视觉能力备受关注。不同的大模型在处理图片时表现各异。比如质朴AI，它在视觉方面有着独特优势。
首先，在识别图片内容上，质朴AI比一些常见的大模型更精准。像面对卡通房子图片，能准确识别出更多隐藏元素；对于缩减后的图片及含狗的图片，也能给出正确答案。
其次，在复杂场景下，如图片中有饭菜和镜子，质朴AI能清晰数出桌上的菜及位置，而多数AI却难以区分镜子和现实。
这得益于其训练时的参数设置，采用5B参数的视觉编码器和6B参数的视觉专家模块，共11B参数建模图像特征，大大加强了视觉能力。
对于想要利用大模型视觉能力的用户来说，了解这些差异很重要。可以根据自身需求选择合适的大模型，若追求精准的图片识别和复杂场景处理，质朴AI是不错的选择。同时，深入研究其参数设置原理，也有助于进一步探索大模型视觉领域的奥秘，为相关应用开发和研究提供有力参考。
大模型,视觉,质朴AI,图片识别,参数,视觉编码器,视觉专家模块
[Q]：大模型在视觉方面都有哪些表现？
[A]：不同大模型有强弱之分，如质朴AI在图片识别上更精准。
[Q]：质朴AI在识别卡通房子图片时有什么不同？
[A]：GPT说有三个房子，质朴AI能指出右边还有一个类似结构的，共四个。
[Q]：把图片缩减后AI还能准确识别吗？
[A]：能，如缩减到2个房子和一个角落，AI也能答出来。
[Q]：问AAI图片中狗的数量，结果如何？
[A]：两张图片答案分别是1十二只和16只，居然全对。
[Q]：给AI含饭菜和镜子的图片，大部分AI表现怎样？
[A]：大部分AI无法区分镜子和现实。
[Q]：质朴AI在含饭菜镜子图片中表现如何？
[A]：能数清楚桌子上有多少道菜及位置。
[Q]：质朴AI训练时采用了什么参数设置？
[A]：使用5B参数的视觉编码器，6B参数的视觉专家模块，共11B参数建模图像特征。
[Q]：质朴AI为何视觉能力强？
[A]：将视觉理解放更优先位置，通过参数设置加强了视觉能力。