清華系面壁智能開源中文多模態大模型VisCPM ：支持對話文圖雙向生成，吟詩作畫能力驚艷

再現破壁式成就，VisCPM強勢來襲！

2020 年 12 月發布的 CPM-1 是國內首個中文大模型 ；2022 年 9 月發布的 CPM-Ant 僅微調 0.06% 參數就能超越全參數微調效果；2023 年 5 月發布的 WebCPM 是 中文首個基于搜索的問答開源模型。CPM-Bee 百億大模型是團隊最新發布的基座模型，中文能力登頂權威榜單 ZeroCLUE，英文能力打平 LLaMA。

屢屢作出破壁性成就，CPM 系列大模型一直在引領國產大模型攀登高峰，最近發布的 VisCPM 是又一次證明！VisCPM 是由面壁智能、清華大學 NLP 實驗室和知乎聯合開源在 OpenBMB 的多模態大模型系列，其中 VisCPM-Chat 模型支持中英雙語的多模態對話能力，VisCPM-Paint 模型支持文到圖生成能力，評測顯示 VisCPM 在中文多模態開源模型中達到最佳水平。

VisCPM 基于百億參數基座模型 CPM-Bee 訓練，融合視覺編碼器（Q-Former 和視覺****（Diffusion-UNet）以支持視覺信號的輸入和輸出。得益于 CPM-Bee 底座優秀的雙語能力，VisCPM 可以僅通過英文多模態數據預訓練，泛化實現優秀的中文多模態能力。

VisCPM簡易架構圖

我們來詳細看看 VisCPM-Chat 和 VisCPM-Paint 到底牛在哪里。

VisCPM 鏈接：https://github.com/OpenBMB/VisCPM

VisCPM-Chat 支持面向圖像進行中英雙語多模態對話。該模型使用 Q-Former 作為視覺編碼器，使用 CPM-Bee（10B）作為語言交互基底模型，并通過語言建模訓練目標融合視覺和語言模型。模型訓練包括預訓練和指令精調兩階段。

團隊使用約 100M 高質量英文圖文對數據 對 VisCPM-Chat 進行了預訓練，數據包括 CC3M、CC12M、COCO、Visual Genome、Laion 等。在預訓練階段，語言模型參數保持固定，僅更新 Q-Former 部分參數，以支持大規模視覺 - 語言表示的高效對齊。

之后團隊對 VisCPM-Chat 進行了指令精調，采用 LLaVA-150K 英文指令精調數據，并混合相應翻譯后的中文數據對模型進行指令精調，以對齊模型多模態基礎能力和用戶使用意圖。在指令精調階段，他們更新了全部模型參數，以提升指令精調數據的利用效率。

有趣的是，團隊發現即使僅采用英文指令數據進行指令精調，模型也可以理解中文問題，但僅能用英文回答。這表明模型的多語言多模態能力已經得到良好的泛化。在指令精調階段進一步加入少量中文翻譯數據，就可以將模型回復語言和用戶問題語言對齊。

團隊在 LLaVA 英文測試集和翻譯的中文測試集對模型進行了評測，該評測基準考察模型在開放域對話、圖像細節描述、復雜推理方面的表現，并使用 GPT-4 進行打分。可以觀察到，VisCPM-Chat 在中文多模態能力方面取得了最佳的平均性能，在通用域對話和復雜推理上表現出色，同時也表現出了不錯的英文多模態能力。

VisCPM-Chat 提供了兩個模型版本，分別為 VisCPM-Chat-balance 和 VisCPM-Chat-zhplus，前者在英文和中文兩種語言上的能力較為平衡，后者在中文能力上更加突出。兩個模型在指令精調階段使用的數據相同，VisCPM-Chat-zhplus 在預訓練階段額外加入了 20M 清洗后的原生中文圖文對數據和 120M 翻譯到中文的圖文對數據。

下面是 VisCPM-Chat 的多模態對話能力展示，不僅能識別具體地區的地圖，還能讀懂涂鴉畫和電影海報，甚至認識星巴克的 logo。而且，中英文雙語都很溜！

再來看 VisCPM-Paint ，它支持中英雙語的文到圖生成。該模型使用 CPM-Bee（10B）作為文本編碼器，使用 UNet 作為圖像****，并通過擴散模型訓練目標融合語言和視覺模型。

在訓練過程中，語言模型參數始終保持固定。使用 Stable Diffusion 2.1 的 UNet 參數初始化視覺****，并通過逐步解凍其中關鍵的橋接參數將其與語言模型融合：首先訓練文本表示映射到視覺模型的線性層，然后進一步解凍 UNet 的交叉注意力層。該模型在 Laion 2B 英文圖文對數據上進行了訓練。

與 VisCPM-Paint 類似，得益于基座模型 CPM-Bee 的雙語能力，VisCPM-Paint 可以僅通過英文圖文對訓練，泛化實現良好的中文文到圖生成能力，達到中文開源模型的最佳效果。通過進一步加入 20M 清洗后的原生中文圖文對數據，以及 120M 翻譯到中文的圖文對數據，模型的中文文到圖生成能力獲得進一步提升。同樣，VisCPM-Paint 有 balance 和 zhplus 兩個不同的版本。他們在標準圖像生成測試集 MSCOCO 上采樣了 3 萬張圖片，計算了常用評估圖像生成指標 FID (Fréchet Inception Distance) 評估生成圖片的質量。

VisCPM-Paint 模型中分別輸入 “海上生明月，天涯共此時，唯美風格，抽象風格”“人閑桂花落，月靜春山空” 兩條 prompts，生成了以下兩張圖片：

（生成效果穩定性仍有提升空間）

相當驚艷，可以說精準把握了古詩詞的意境，以后讀不懂詩句就直接生成個圖片來理解！如果應用在設計上，可以節省一大筆人力。不僅能 “作畫”，用上 VisCPM-Chat，還能 “吟詩”：用圖片反向檢索詩句。比如能用李白的詩描繪黃河的景象并作解讀，在面對中秋月夜時還能用蘇軾的《水調歌頭》借景抒情。

VisCPM 不僅生成效果好，下載版本設計考慮周到，安裝和使用也十分簡易。 

VisCPM提供不同中英文能力的版本

安裝步驟

VisCPM 提供不同中英文能力的模型版本供大家下載選擇，安裝步驟簡單，在使用中可以通過幾行代碼實現多模態對話，還在代碼中默認開啟了對輸入文本和輸出圖片的安全檢查。（具體教程詳見 README）未來團隊還會將 VisCPM 整合到 huggingface 代碼框架中，并且會陸續完善安全模型、 支持快速網頁部署、 支持模型量化功能、支持模型微調等功能，坐等更新！

值得一提的是，VisCPM 系列模型非常歡迎個人使用和研究用途。如需將模型用于商業用途，還可以聯系 cpm@modelbest.cn 洽談商業授權事宜。

傳統模型專注處理單一模態數據，現實世界中的信息往往是多模態的，多模態大模型提升了人工智能系統的感知交互能力，為 AI 解決現實世界中復雜的感知和理解任務帶來了新的機遇。不得不說，清華系大模型公司面壁智能研發能力強大，聯合發布的多模態大模型 VisCPM 實力強大、表現驚艷，期待他們后續的成果發布！