Репортаж от Wedoany，13 июля китайская компания SenseTime Technology официально выпустила и открыла унифицированную мультимодальную модель понимания и генерации изображений SenseNova-Vision, предоставляющую единые возможности для таких задач, как обнаружение объектов, оптическое распознавание символов, сегментация изображений, прогнозирование глубины, оценка нормалей поверхности, многовидовая геометрия и оценка положения камеры. В отличие от прежних технических подходов, где для каждой задачи компьютерного зрения требовались отдельные модели, головки прогнозирования и декодеры, SenseNova-Vision преобразует множество задач компьютерного зрения в задачи генерации текста, изображений или их комбинации, позволяя визуальному восприятию напрямую интегрироваться в систему ввода-вывода универсальных мультимодальных моделей.
Открытый доступ включает не только веса модели. SenseTime опубликовала модель SenseNova-Vision-7B-MoT, код для вывода, технический отчет и визуальный корпус SenseNova-Vision-Corpus-50M, а также предоставила интерфейсы для однокадрового вывода, интерактивного вывода, веб-демонстрации и бенчмарков. Согласно официальной проектной документации, указанные модель, набор данных, код вывода и технический отчет были последовательно опубликованы 8 июля, а 13 июля была обнародована полная информация о выпуске.
Традиционные системы компьютерного зрения обычно создают независимые технические цепочки для каждой задачи. Обнаружение объектов требует вывода категорий и ограничивающих рамок, сегментация изображений — генерации попиксельных масок, прогнозирование глубины — вычисления пространственного расстояния для каждого пикселя, а трехмерная реконструкция — обработки многовидовых изображений, карт точек и параметров камеры. Ранее для этих задач часто требовались разные структуры моделей, цели обучения, специализированные модули прогнозирования и методы обработки данных. SenseNova-Vision стремится устранить эту фрагментацию моделей между задачами, не добавляя специализированные архитектурные ветви для обнаружения, сегментации, оценки глубины или геометрического прогнозирования, а позволяя одной модели распознавать тип задачи, целевую область, угол обзора и правила вывода на основе инструкций на естественном языке.
После унификации различные визуальные результаты по-прежнему используют формы выражения, подходящие для их собственных характеристик. Структурированная информация, такая как категории объектов, ограничивающие рамки, координаты точек, результаты распознавания текста, ключевые точки человека и параметры камеры, может быть напрямую сгенерирована моделью в виде текстовых записей; попиксельные результаты, такие как маски сегментации, карты глубины, карты нормалей поверхности и многовидовые трехмерные карты точек, генерируются в виде изображений. Для комбинированных задач, требующих как указания категории объекта, так и вывода соответствующей области сегментации, модель может одновременно генерировать текст и изображение, позволяя одному и тому же интерфейсу взаимодействия охватывать структурированное визуальное понимание, плотное геометрическое прогнозирование, сегментацию изображений и многовидовую визуальную геометрию.
Инструкции на естественном языке становятся важным интерфейсом для соединения различных визуальных задач. Разработчики могут с помощью текстовых описаний указать категорию объекта, цвет, область, угол обзора и формат вывода, а также добавить визуальные подсказки для указания объекта обработки, после чего модель генерирует результаты в соответствии с соглашением. Такой подход позволяет визуальным задачам больше не быть полностью ограниченными фиксированными списками категорий и предопределенными форматами оценки. Например, пользователи могут комбинировать категории, цвета и условия локальных областей с помощью языка, формируя более гибкие требования к визуальной обработке, чем традиционные фиксированные задачи.
Для поддержки этого унифицированного подхода к обучению SenseTime создала корпус SenseNova-Vision-Corpus-50M. Этот корпус преобразует визуальные аннотации, ранее распределенные по задачам обнаружения, распознавания текста, локализации ключевых точек, сегментации изображений, оценки глубины и многовидовой геометрии, в унифицированную структуру образцов «визуальный ввод, инструкция на естественном языке, декодируемый ответ», где форма ответа охватывает текст, изображения и их комбинацию. В процессе обучения в основном используется этот визуальный корпус с добавлением вспомогательных мультимодальных данных, чтобы уменьшить потерю способностей к общему пониманию и генерации изображений при усилении визуальных возможностей модели.
Судя по опубликованному диапазону задач, SenseNova-Vision в настоящее время охватывает четыре основные категории визуальных способностей. Структурированное визуальное понимание включает обнаружение объектов, референсную локализацию, распознавание текста, локализацию элементов интерфейса и прогнозирование ключевых точек; плотное геометрическое прогнозирование включает монокулярную оценку глубины и прогнозирование нормалей поверхности; сегментация охватывает общую сегментацию, референсную сегментацию, сегментацию на основе рассуждений, интерактивную сегментацию и сегментацию с семантическим описанием; многовидовая визуальная геометрия включает реконструкцию трехмерных карт точек и оценку положения камеры. Официальные результаты бенчмарков показывают, что одна модель может конкурировать с некоторыми специализированными и универсальными визуальными моделями в различных форматах вывода и визуальных задачах, но производительность в разных задачах не является полностью одинаковой.
После открытия модели разработчики могут запускать предустановленные примеры с помощью официального кода, а также указывать тип задачи, текстовые подсказки и входные изображения для однократного вывода. Официально также предоставляется локальная веб-демонстрация на основе Gradio; для полной демонстрации рекомендуется использовать графический процессор с 80 ГБ видеопамяти; для выполнения всех бенчмарков официально рекомендуется настроить сервер как минимум с 8 графическими процессорами по 80 ГБ. Это указывает на то, что, хотя SenseNova-Vision уже предоставляет полный интерфейс для вывода, для развертывания и оценки всех задач все еще требуются значительные вычислительные ресурсы.
Лицензия на открытый доступ также имеет четкие границы. Веса модели SenseNova-Vision распространяются по лицензии CC BY-NC 4.0, в основном для некоммерческого использования; страница набора данных также имеет ту же лицензию; исходный код в официальном репозитории GitHub должен использоваться отдельно в соответствии с лицензией, указанной в репозитории. Таким образом, «полное открытие исходного кода» в основном означает, что модель, обучающий корпус, код вывода, технический отчет и методы оценки были открыты для исследовательского сообщества, но не означает, что все содержимое может быть неограниченно использовано непосредственно в коммерческих продуктах.
SenseTime также перечислила текущие ограничения в описании модели. Унифицированная модель не означает, что она превосходит специализированные системы в каждой конкретной задаче; некоторые специализированные модели могут сохранять преимущества в определенных бенчмарках; текстовый вывод все еще требует настройки программ-парсеров в зависимости от задачи, а результаты изображений также необходимо декодировать в соответствии с протоколом обучения. Результаты, такие как глубина, нормали поверхности, трехмерные карты точек и положение камеры, перед использованием в робототехнике, автономном вождении, промышленном контроле или других сценариях с высокими требованиями безопасности, должны быть проверены независимыми системами, и результаты, сгенерированные моделью, не могут быть напрямую использованы в качестве основы для окончательного управления.
Основное техническое изменение, реализованное SenseNova-Vision, заключается в реорганизации ранее разрозненных классических задач компьютерного зрения в задачи генерации, которые может обрабатывать универсальная мультимодальная модель. Обнаружение, сегментация, прогнозирование глубины и трехмерная геометрия больше не соответствуют отдельным изолированным системам, а совместно используют пространство инструкций на естественном языке, визуального ввода и генерации текста и изображений, предоставляя новый путь для дальнейшей интеграции визуального восприятия, понимания языка, генерации изображений и пространственных рассуждений в одну базовую модель.
