释读2300多年的战国竹简，清华系初创竟只用2B端侧大模型！
最强端侧多模态+1.2B小钢炮
金磊 发自 凹非寺
量子位 | 公众号 QbitAI
识读距今2300多年战国时期的上古竹简，AI正在立功。
而且在这背后的“大功臣”，竟是只有2B大小的多模态大模型！
这批上古竹简，由清华大学于2008年7月收藏，因此也被称为清华简。
清华简的数量大约是2500枚，其内容在已被发现的先秦竹简中也是前所未见，被认为是继甲骨文、敦煌遗书、居延汉简、云梦秦简之后的又一重大发现。
不过也正因如此，识读清华简便成了老大难的问题，因为上面的文字基本上都是楚文字，秦始皇统一文字后就已被废弃。
而就在最近，研究人员在一个2B大小的多模态大模型助力之下，成功地在清华简的版式检测和文字识别上取得突破：
例如询问这个大模型：
它不仅可以准确找到最短的竹简，也能精准地识别出上面的楚文字是现代的“可”字。
即使是和现代文字差异较大的古文字，这个大模型也能查字询意，得出正确结论是“我”。
并且研究团队还表示，他们正在尝试继续用这种方式进一步做探索。
嗯，不得不说，大模型“以小博大”这事，已经开始波及到多模态了。
那么这个2B大模型，到底是什么来头？
最强端侧多模态大模型，手机就能跑
不卖关子。
这个2B多模态大模型，正是由清华系初创公司面壁智能最新升级的小钢炮系列，最强端侧多模态大模型——MiniCPM-V 2.0。
划个重点：手机端就能跑！
MiniCPM-V 2.0的地址：
https://github.com/OpenBMB/MiniCPM-V
MiniCPM系列地址：
https://github.com/OpenBMB/MiniCPM
那么它的能力到底几何？为什么说是最强端侧多模态大模型？
首先来看多模态通用能力，这也是能够衡量其底座水平的一个重要指标。
在多模态大模型综合评测权威平台OpenCompass榜单上测试的结果显示，MiniCPM-V 2.0虽然只有2B的体量，但得分已经超过了10B、17B甚至34B的主流选手：
其次再看OCR（光学字符识别）综合能力，这可以说是检测多模态识别与推理能力最硬核的指标。
在权威的OCR综合能⼒榜单OCRBench中，MiniCPM-V 2.0同样是用2B的“姿势”竞技，刷新了开源模型SOTA：
并且在场景图片文字识别榜单TextVQA中，MiniCPM-V 2.0更是直接秒杀了全系13B体量的通用模型。
甚至部分能力已经可以比肩多模态领域的王者Gemini Pro：
不仅如此，在中文OCR能力方面，MiniCPM-V 2.0展现的性能效果明显超越了GPT-4V。
同样是识别一张街景图，MiniCPM-V 2.0可以准确地叫出大厦的名字，但GPT-4V却只能回答“看不清楚”。
那么，MiniCPM-V 2.0是怎么做到不“近视”的呢？
传统做OCR的方法是比较粗暴的：它们只能处理一个固定尺寸的图片，因此就会把偏大或不规则的图片强行进行压缩。
这就会导致原始图片中大量信息的丢失，再次放大的时候就仿佛近视眼一样，很多细节都变成了马赛克：
同样的道理，传统的方法在处理极端长宽比的长图（如1:9）时效果会大打折扣，因为很长的图压缩成正方形同样会造成大量信息丢失。
为此，面壁智能团队所提出的解法就是“分而治之”——
并不是暴力压缩，而是把不规则的图片分成若干个小的图片，然后再按照大模型OCR的方式去自适应处理。
与此同时，为了解决大图像“切块”后所带来的计算量增长问题，团队还针对性地做了一个视觉模块压缩的工作，可以让增长的计算量通过局部的一些视觉感知压缩方法再打下来。
由此就保证了计算量和模型效果之间的平衡。
据团队介绍，MiniCPM-V 2.0可以处理最大180万像素高清大图，甚至1:9极限宽高比的高清图片，对它们进行高效编码和无损识别。
具体效果如下所示：
除了多模态通用能力和OCR综合能力之外，幻觉也是考量一个多模态大模型性能的重要指标之一。
在这方面，MiniCPM-V 2.0所参与的则是Object HalBench榜单。
结果显示，其幻觉水平是与GPT-4V持平的：
而MiniCPM-V 2.0，也还仅是面壁智能最新发布内容中的一隅。
除了它之外，面壁智能还发布了额外三个同样是“小体量”的大模型。
由此，在MiniCPM 2.0的矩阵中就形成了“四大金刚”屹立的阵容——四驱小钢炮。
那么四驱小钢炮中的其它三个大模型还解锁了哪些能力，我们继续往下看。
1元=4150000 tokens，适用更多端侧场景
在追求“小”这件事上，面壁智能再次刷新自己的纪录——MiniCPM-1.2B。
至于它的特点，一言蔽之：
同样的，在公开测评榜单中，其成绩依旧是做到了越级超越：
值得一提的是，MiniCPM-1.2B现在也是可以在手机端侧跑起来的那种，速度可以达到25tokens/s（人类说话速度的15-25倍）：
现场演示效果
不仅如此，MiniCPM-1.2B还做到了把价格和内存打下去。
以iOS为例，MiniCPM-2.4B的量化模型是2.10G；而到了MiniCPM-1.2B，则只需要1.01G，内存减少51.9%。
价格方面更是打了6折：1元=4150000 tokens。
（计算方式为：苹果A17 Pro为130美元（约人民币950元），如开metal，速度最大为 25 tokens/s；若芯片使用5年，则推理代价为 (25×3600×24×365×5)/950=415万 tokens/元）
这也就意味着现在更多端侧场景“快好省”地跑大模型成为了可能，不只是手机，还包括穿戴设备、PC、智能家居、汽车等等。
在各个大模型玩家都在你追我赶的长文本领域，面壁智能这一次也出手了——MiniCPM-2B-128K。
直接解锁了一个新的之最——最小的128K长文本大模型。
在InfiniteBench榜单的平均成绩也是超越了同体量的其它选手：
而之所以要做这个工作，在面壁智能看来，是因为目前在实际真正需要调用长文本大模型的时候，还是需要非常大的内存才能做较好的推理工作。
面壁智能表示，他们还将继续对MiniCPM-2B-128K做优化工作，尽快让其能够在端侧跑起来。
除此之外，面壁智能还在另一个大火的技术上发力，那便是MoE（混合专家）——发布了MiniCPM-MoE-8x2B模型。
（MoE能在不增加推理成本的前提下，为大模型带来性能激增。）
通过MoE的性能增强，让2B小钢炮（MiniCPM 1.0）在其原来的基础之上性能平均提高4.5个百分点。
从榜单成绩上来看，MiniCPM-MoE-8x2B模型做到了在性能上的越级超越，并且推理成本仅为Gemma-7B的69.7%：
以上就是四驱小钢炮的全部内容了。
不难看出，四驱小钢炮中的每一个“驱动力”都主打“够小，但能打”。
而且纵观面壁智能此次的发布，提及最多的两个关键词就是“端侧”和“最小”。
那么面壁智能为何要如此极致地追求于此？
端侧，需要高效大模型
其实从大模型整体的发展趋势来看，这两个关键词早已是定数。
自从ChatGPT引爆大模型以来，先是在国内外引发了一波百模大战的热潮，都将极大的算力和资金投入到了训练的过程当中。
而当底座的大模型训练完毕之后，各个大模型玩家又将工作重心向推理侧倾斜，随即也迎来了各式各样AIGC应用的百花齐放。
与此同时，大模型不再仅仅较真于参数规模、跑分和测评，更注重在应用侧发力。
一言蔽之，比的就是看谁能“快好省”地用起来。
在端侧的表现尤为明显，比如大火的AI手机、AI PC便是很好的印证；而要让大模型能够在端侧丝滑地跑起来，那么其体量注定便不能过于庞大。
这就注定了端侧的大模型必须要满足两点：要小，还要性能高效；也就不难理解面壁智能为何如此极致地追求于此了。
那么接下来的一个问题是：要怎么做？
面壁智能CEO李大海给出了一种“高效公式”解法：
首先在高效训练这件事上，从面壁智能的first day开始，就已然是一个终极目标一样的存在了。
面壁智能最早训练大模型之际还并没有多机多卡的训练框架，为此，团队便自主研发了BMTrain框架来支撑大模型的训练，成本相比于GPT-3直接下降了90%之多。
现如今，面壁智能在高效训练中持续死磕的一个目标就是“高效Scaling Law”，这也是“第一性原理”一样的存在。
它不同于OpenAI向上大力出奇迹的玩法，主打的就是争取更大的模型压缩效率，用更少的高质量数据训练出更好、更小的模型，这也是避免算力等资源巨大浪费的方法之一。
其次是高效落地，具体来说便是AI智能体（Agent）。
早在去年3月份之际，面壁智能便已经发表了关于AI智能体的相关论文，随后又将其演变成SaaS级智能软件开发平台ChatDev，就是为了把这种“一句话搞开发”的门槛再次打下去。
具体而言，在产品版ChatDev加持之下，在开发的整个流程中，从产品经理到程序员，再到设计和测试等等，统统都是AI智能体；开发的迭代，也变成了有想法就行的事。
要知道，常规软件的开发周期是在2-3周，且成本在10000-50000美元之间（包括人力）；如此对比起来，可真的是大写的“降本增效”！
除此之外，基于其大模型底座的基础能力，面壁智能还曾开源了两项重磅的工作——AgentVerse和XAgent；加上我们刚才提到的ChatDev，三者共同形成了大模型驱动的AI Agent“三驾马车”，围绕的核心便是AI智能体。
这也正是AI智能体能够将落地这件事变得高效的原因。
到这里，仅是在高效训练和高效落地这件事上，面壁智能就已经形成了“大模型+AI智能体”这样的技术路线。
而就在前不久，AI大牛吴恩达也公开在X中发表观点，对这样的模式给予了高度的认可。
至于高效大模型的最后一个部分高效推理，则是端云协同技术。李大海对此表示：
在这一方面，面壁智能其实也早已有所涉猎，所提出的衔尾蛇投机采样技术，可以说是打破了传统云侧大模型服务方案中因大模型串行逐 token 生成并伴随每次生成带来的频繁访存，所造成的远低于计算上限的读写速度瓶颈。
具体到端、云之间的协作，就是将起草的小模型放在手机侧、效果更好的大模型放在云侧，通过用小模型给大模型打草稿、做验证的方式，减少云端访存读写工作，为云端减负。
如此，大小模型通过敏捷的双向反馈机制，得到推理速度提升的互相激发。
以上便是面壁智能的“高效公式”了。
总结来看，面壁智能到目前为止所发力的一切，也与其智周万物的愿景高度契合——就是要让大模型“快好省”地用起来。
One More Thing
面壁智能在近日也迎来了融资方面的好消息——
完成新一轮数亿元融资。
李大海在公开信中也透露了资金的用处，依旧将是技术和人才：
有技术，有人才，有市场，面壁智能是值得继续关注一波的大模型实力派选手了。
MiniCPM-V 2.0的地址：
https://github.com/OpenBMB/MiniCPM-V
MiniCPM系列地址：
https://github.com/OpenBMB/MiniCPM
本文链接：http://m.sushuapos.com/show-2-4821-0.html释读2300多年的战国竹简，清华系初创竟只用2B端侧大模型！
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
