克雷西萧箫发自凹非寺
量子位公众号 QbitAI
多模态王炸大模型 GPT-4V，166 页“说明书”重磅发布！而且还是微软团队出品。
什么样的论文，能写出 166 页？
不仅详细测评了 GPT-4V 在十大任务上的表现，从基础的图像识别、到复杂的逻辑推理都有展示；
还传授了一整套多模态大模型提示词使用技巧——
手把手教你从 0 到 1 学会写提示词，回答专业程度一看就懂，属实是把 GPT-4V 的使用门槛打到不存在了。
值得一提的是，这篇论文的作者也是“全华班”，7 名作者全部是华人，领衔的是一位在微软工作了 17 年的女性首席研究经理。
在 166 页报告发布前，他们还参与了 OpenAI 最新 DALL·E 3 的研究，对这个领域了解颇深。
相比 OpenAI 的 18 页 GPT-4V 论文，这篇 166 页“食用指南”一发布，立刻被奉为 GPT-4V 用户必读之物：
有网友感慨：这哪里是论文，这简直快成一本 166 页的小书了。
还有网友看完已经感到慌了：
不要只看 GPT-4V 的回答细节，我真的对 AI 展现出来的潜在能力感到害怕。
所以，微软这篇“论文”究竟讲了啥，又展现出了 GPT-4V 的哪些“潜力”？
微软 166 页报告讲了啥？
这篇论文钻研 GPT-4V 的方法，核心就靠一个字——“试”。
微软研究员们设计了涵盖多个领域的一系列输入，将它们喂给 GPT-4V，并观察和记录 GPT-4V 的输出。
随后，他们对 GPT-4V 完成各类任务的能力进行评估，还给出了使用 GPT-4V 的新提示词技巧，具体包括 4 大方面：
1、GPT-4V 的用法：
5 种使用方式：输入图像（images）、子图像（sub-images）、文本（texts）、场景文本（scene texts）和视觉指针（visual pointers）。
3 种支持的能力：指令遵循（instruction following）、思维链（chain-of-thoughts）、上下文少样本学习（in-context few-shot learning）。
例如这是基于思维链变更提问方式后，GPT-4V 展现出的指令遵循能力：
2、GPT-4V 在 10 大任务中的表现：
开放世界视觉理解（open-world visual understanding）、视觉描述（visual description）、多模态知识（multimodal knowledge）、常识（commonsense）、场景文本理解（scene text understandin）、文档推理（document reasoning）、写代码（coding）、时间推理（temporal reasonin）、抽象推理（abstract reasoning）、情感理解（emotion understanding）
其中就包括这种，需要一些智商才能做出来的“图像推理题”：
3、类 GPT-4V 多模态大模型的提示词技巧：
提出了一种新的多模态提示词技巧“视觉参考提示”（visual referring prompting），可以通过直接编辑输入图像来指示感兴趣的任务，并结合其他提示词技巧使用。
4、多模态大模型的研究&落地潜力：
预测了多模态学习研究人员应该关注的 2 类领域，包括落地（潜在应用场景）和研究方向。
例如这是研究人员发现的 GPT-4V 可用场景之一——故障检测：
但无论是新的提示词技巧、还是 GPT-4V 的应用场景，大伙儿最关注的还是 GPT-4V 的真正实力。
所以，这份“说明书”随后用了 150 多页来展示各种 demo，详细剧透了 GPT-4V 在面对不同回答时展现出的能力。
一起来看看 GPT-4V 如今的多模态能力进化到哪一步了。
精通专业领域图像，还能现学知识
图像识别
最基础的识别自然是不在话下，比如科技、体育界以及娱乐圈的各路名人：
而且不仅能看出这些人是谁，还能解读他们正在做什么，比如下图中老黄正在介绍英伟达新推出的显卡产品。
除了人物，地标建筑对于 GPT-4V 来说同样是小菜一碟，不仅能判断名称和所在地，还能给出详细的介绍。
△左：纽约时代广场，右：京都金阁寺
不过越是有名的人和地点，判断起来也就越容易，所以要难度更大的图才能展现 GPT-4V 的能力。
比如医学影像，针对下面这张肺部 CT，GPT-4V 给出了这样的结论：
双肺多个区域存在实变和磨玻璃混浊，肺部可能存在感染或炎症。右肺上叶也可能有肿块或结节。
甚至不告诉 GPT-4V 影像的种类和位置，它自己也能判断。
这张图中，GPT-4V 成功识别出了这是一张脑部的核磁共振（MRI）影像。
同时，GPT-4V 还发现存在大量积液，认为很可能是高级别脑胶质瘤。
经过专业人士判断，GPT-4V 给出的结论完全正确。
除了这些“正经”的内容之外，当代人类社会的“非物质文化遗产”表情包也被 GPT-4V 给拿捏了。
△机器翻译，仅供参考
不仅是解读表情包中的梗，真实世界中人类的表情所表达的情感也能被 GPT-4 看穿。
除了这些真·图像之外，文本识别也是机器视觉中的一项重要任务。
这方面，GPT-4V 除了可以识别拉丁文字拼写的语言之外，中文、日文、希腊文等其他文字也都认识。
甚至是手写的数学公式：
图像推理
前面展示的 DEMO，无论多么专业或多么难懂，都还停留在识别的范畴，但这只是 GPT-4V 技能的冰山一角。
除了看懂图片中的内容，GPT-4V 还具有一定的推理能力。
简单一些的，GPT-4V 可以发现两张图中的不同（虽然还有些错误）。
下面的一组图中，王冠和蝴蝶结的区别都被 GPT-4V 发现了。
如果加大难度，GPT-4V 还能解决 IQ 测试当中的图形问题。
上面的这三道题中的特征或逻辑关系都还比较简单，但接下来就要上难度了：
当然难度不是在于图形本身，注意图中的第 4 条文字说明，原题目中图形的排列方式不是图中展示的样子。
图片标注
除了用文本回答各种问题，GPT-4V 还可以在图片中执行一系列操作。
比如我们手里有一张四位 AI 巨头的合影，要 GPT-4V 框出其中的人物并标注他们的姓名和简介。
GPT-4V 先是用文本回答了这些问题，紧接着便给出了处理之后的图片：
动态内容分析
除了这些静态内容，GPT-4V 还能做动态分析，不过不是直接喂给模型一段视频。
下面的五张图是从一段制作寿司的教程视频中截取的，GPT-4V 的任务是（在理解内容的基础上）推测这些图片出现的顺序。
而针对同一系列的图片，可能会有不同的理解方式，这是 GPT-4V 会结合文本提示进行判断。
比如下面的一组图中，人的动作究竟是开门还是关门，会导致排序结果截然相反。
当然，通过多张图片中人物状态的变化，还可以推测出他们正在做的事情。
甚至是预测接下来会发生什么：
“现场学习”
GPT-4V 不仅视觉本领强，关键是还能现学现卖。
还是举个例子，让 GPT-4V 读汽车仪表盘，一开始得出的答案是错误的：
紧接着把方法用文字交给 GPT-4V，但这是的答案依然不对：
然后又把例子展示给 GPT-4V，答案倒是有样学样，可惜数字是胡编乱造出来的。
只有一个例子的确是有点少，不过随着样本数量的提高（其实只多了一个），终于功夫不负有心人，GPT-4V 给出了正确答案。
GPT-4V 的效果就展示这么多，当然它还支持更多的领域和任务，这里无法一一展示，感兴趣的话可以阅读原始报告。
那么，GPT-4V 这些神器的效果背后，是怎样的一个团队呢？
清华校友领衔
这篇论文的作者一共有 7 位，均为华人，其中 6 位是核心作者。
项目领衔作者 Lijuan Wang，是微软云计算与 AI 首席研究经理。
她本科毕业于华中科技大学，在中国清华大学获得博士学位，于 2006 年加入微软亚洲研究院，并于 2016 年加入位于雷德蒙德的微软研究院。
她的研究领域是基于多模态感知智能的深度学习和机器学习，具体又包括视觉语言模型预训练、图像字幕生成、目标检测等 AI 技术。
原文地址：