还记得这张把谷歌 AI 搞得团团转的经典梗图吗？
现在，微软亚研院的新 AI 可算是把它研究明白了。
拿着这张图问它图里有啥，它会回答：我看着像鸭子。
但如果你试图跟它 battle，它就会改口：看上去更像兔子。并且还解释得条条是道：
图里有兔子耳朵。
是不是有点能看得懂图的 ChatGPT 内味儿了？
这个新 AI 名叫 Kosmos-1，谐音 Cosmos。AI 如其名，本事确实不小：图文理解、文本生成、OCR、对话 QA 都不在话下。
甚至连瑞文智商测试题都 hold 住了。
而具备如此能力的关键，就写在论文的标题里：Language is not all you need。
多模态大语言模型
简单来说，Kosmos-1 是一种把视觉和大语言模型结合起来的多模态大语言模型。
在感知图片、文字等不同模态输入的同时，Kosmos-1 还能够根据人类给出的指令，以自回归的方式，学习上下文并生成回答。
研究人员表示，在多模态语料库上从头训练，不经过微调，这个 AI 就能在语言理解、生成、图像理解、OCR、多模态对话等多种任务上有出色表现。
比如甩出一张猫猫图，问它这照片好玩在哪里，Kosmos-1 就能给你分析：猫猫戴上了一个微笑面具，看上去就像在笑。
又比如让它看一眼 MSRA 用来高效训练大模型的 TorchScale 工具包的主页，Kosmos-1 也能快速 get 这个库是用来干啥的。
Kosmos-1 还能理解图像上下文。发一张食物的照片给它，这个 AI 不仅能回答你这是什么，还能在你追问如何烹饪时，给出食谱和烹调小建议。
Kosmos-1 的骨干网络，是一个基于 Transformer 的因果语言模型。Transformer 解码器作为通用接口，用于多模态输入。
用于训练的数据来自多模态语料库，包括单模态数据、跨模态配对数据和交错的多模态数据。
值得一提的是，虽说 "Language is not all you need"，但为了让 Kosmos-1 更能读懂人类的指示，在训练时，研究人员还是专门对其进行了仅使用语言数据的指令调整。
具体而言，就是用格式的指令数据继续训练模型。
实验结果
研究人员在 5 大类共 10 个任务中，测试了 Kosmos-1 的效果，包括：
语言任务：语言理解、语言生成、无 OCR 文本分类
跨模态迁移：常识推理
非语言推理：IQ 测试
感知 - 语言任务：图像说明、视觉 QA、网页 QA
视觉任务：零样本图像分类、带描述的零样本图像分类
从实验结果上来看，Kosmos-1 基本都 hold 住了。
零样本图像说明：
零样本视觉 QA：
无 OCR 文本理解：
研究人员还提到，Kosmos-1 是第一个能完成零样本瑞文智商测试的 AI。
不过，跟成年人类的平均水平相比，AI 的 " 智商 " 还差得有点远。随机选择的正确率为 17%，而 Kosmos-1 经过指令调教之后，准确率为 26%。
研究人员认为：
但 Kosmos-1 证明了多模态大模型有潜力将感知和语言结合起来，进行零样本的非语言推理。
另外，研究人员还展示了 Kosmos-1 处理复杂问答和推理任务的过程。关键在于多模态思维链提示。
研究人员将感知 - 语言任务分解为两个步骤。第一步，给定一个图像，引导模型对图像进行分析。
第二步，把模型子集分析出来的结果再喂给它，并给出任务提示，以生成最后的答案。
这项新研究来自 MSRA 的韦福如团队。韦福如是微软亚洲研究院自然语言计算研究组主管研究员。
三位一作分别是 Shaohan Huang、董力和 Wenhui Wang。
论文地址：
