看看这张图中有几个房子？如果你回答3个，就和GPT-4V的答案一样。

但是最新开源的国产多模态模型CogVLM-17B，就能看出另有玄机。

甚至能区分在图中完整可见的有3个和部分可见的有1个。

CogVLM由清华和智谱AI合作开发，通讯作者为唐杰和丁铭，论文和开源代码已上传到GitHub。

除这个单独案例之外，CogVLM-17B还在10项权威跨模态基准上取得了SOTA性能。

另外在VQAv2, OKVQA, TextVQA, COCO captioning取得第二，超越或匹配谷歌的PaLI-X 55B。

与之前的开源多模态大模型相比，可以算是14边形战士。

雷达图中包含13个基准，最后一个TDIUC单独展现。

CogVLM可以回答各种类型的视觉问题，比如从马斯克的阴阳怪气中推理出小扎假装去旅行了，回避约架。

认出照片中的C罗，并回答他在2018年世界杯中有多少进球。

带图的编程题也能给出代码了。

甚至能完成复杂的目标检测，并打上标签，自动数据标注成了。

从浅层对齐到深度融合

CogVLM模型包含4个基本组件

ViT编码器

MLP适配器

大型预训练语言模型

视觉专家模块

其中，每层中都添加了可训练的视觉专家模块，以实现图像特征和文本特征的深度对齐，而不会牺牲任何NLP任务的性能。

之前主流的浅层对齐方法，如BLIP-2，图像特征和语言模型之间缺乏深度融合,导致性能不佳。

但微调语言模型的全部参数又会损害其NLP能力。

CogVLM的方法可以说是改变了视觉语言模型的训练范式，从浅层对齐转向深度融合。

另外值得注意的是，CogVLM训练数据中没有专门的OCR数据，但表现出了很强的文字识别能力。

CogVLM开源并给出了在线试玩。

不过目前仅支持英文，后续会提供中英双语版本支持，可以持续关注。

试玩地址：http://36.103.203.44:7861

开源及论文地址：https://github.com/THUDM/CogVLM