给大语言模型开个眼，看图说话性能超CLIP，斯坦福等新方法无-看点
发布时间：2023-07-06 12:57:50
来源：互联网
(资料图)
不靠多模态数据，大语言模型也能看得懂图？！
话不多说，直接看效果。
就拿曾测试过 BLIP-2 的长城照片来说，它不仅可以识别出是长城，还能讲两句历史：
再来一个奇形怪状的房子，它也能准确识别出不正常，并且知道该如何进出：
故意把“Red”弄成紫色，“Green”涂成红色也干扰不了它：
这就是最近研究人员提出的一种新模块化框架 ——LENS
标签：
