释放双眼，带上耳机，听听看~！
华中科技大学软件学院发布了多模态大模型Monkey，在图像描述和视觉问答任务方面表现出色，超越了微软、谷歌和阿里等知名模型。Monkey具有出色的看图说话能力和处理高分辨率图像的能力，已在GitHub上开源。
快科技12月12日消息，华中科技大学官方发文称，该校软件学院一团队发布了多模态大模型Monkey”。
该模型擅长图像描述和视觉问答，能够实现对世界的观察”，对图片进行深入问答交流和精确描述。
官方介绍称，在18个数据集上的实验中，华科大Monkey模型表现出色，特别是在图像描述和视觉问答任务方面，超越了众多现有知名的模型如微软的LLAVA、谷歌的PALM-E、阿里的Mplug-owl等。
此外，Monkey在文本密集的问答任务中显示出显著的优势，甚至在某些样本上超越了业界公认的领先者GPT-4V。
Monkey的一个显著特点是其出色的看图说话”能力。在详细描述任务中，Monkey展现了对图像细节的感知能力，能够察觉到其他多模态大模型所忽略的内容。
另一亮点是能够处理分辨率高达1344 x 896像素的图像，这是目前其他多模态大模型所能处理的最大尺寸的6倍。
据悉，目前业内能处理的图片最大分辨率为448448像素。
值得一提的是，该团队已将Monkey代码在全球最大的代码托管服务平台GitHub上开源。
本网站的内容主要来自互联网上的各种资源，仅供参考和信息分享之用，不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益，请联系我们，我们将尽快采取行动，包括删除或更正。
