商汤科技发布多模态通用大模型“书生 2.5”：拥有 30 亿参数，支持问答、识图、以文生图等

CTOnews.com 3 月 14 日消息，商汤科技于今日发布了多模态多任务通用大模型"书生（INTERN）2.5"，拥有 30 亿参数，号称是目前全球开源模型中 ImageNet 准确度最高、规模最大，同时也是物体检测标杆数据集 COCO 中唯一超过 65.0 mAP 的模型。

据介绍，"书生 2.5"的图文跨模态开放任务处理能力可为自动驾驶、机器人等通用场景任务提供高效精准的感知和理解能力支持。"书生"由商汤科技、上海人工智能实验室、清华大学、香港中文大学、上海交通大学于 2021 年 11 月首次共同发布，并持续联合研发。

改进方面，"书生 2.5"实现了通过文本来定义任务，从而可以灵活地定义不同场景的任务需求，并根据给定视觉图像和任务的提示性语句，给出相应的指令或作答，进而具备通用场景下的高级感知和复杂问题处理能力，比如图像描述、视觉问答、视觉推理和文字识别等。

在自动驾驶和居家机器人等通用场景下，"书生 2.5"可辅助处理各种复杂任务。

例如，在自动驾驶场景中，可以大幅提升场景感知理解能力，准确辅助车辆判断交通信号灯状态、道路标志牌等信息，为车辆决策规划提供有效信息输入。

除解决自动驾驶和居家机器人这类复杂问题的能力，"书生 2.5"通用大模型也可解决纷繁复杂的日常生活中的常见任务，满足各种需求。

除全图级别的以图生文，"书生 2.5"通用大模型同样可根据物体边框更精细化定位任务需求。

"书生 2.5"同时具备 AIGC"以文生图"的能力。可根据用户提出的文本创作需求，利用扩散模型生成算法，生成高质量、自然的写实图像。

例如，借助"书生 2.5"的以文生图能力帮助自动驾驶技术研发，通过生成各类真实的道路交通场景，如繁忙的城市街道、雨天拥挤车道、马路上奔跑的狗等，生成写实的 Corner Case 训练数据，进而训练自动驾驶系统对 Corner Case 场景的感知能力上限。

"书生 2.5"还可根据文本快速检索出视觉内容。

例如，可在相册中返回文本所指定的相关图像，或是在视频中检索出与文本描述最相关的帧，提高视频中时间定位任务的效率。此外还支持引入物体检测框，根据文本返回最相关的物体，实现开放世界视频或图像中物体检测及视觉定位。

即日起，"书生 2.5"多模态通用大模型已在商汤参与的通用视觉开源平台 OpenGVLab 开源，CTOnews.com附 GitHub 仓库访问链接。