滚动原文标题:《视觉版 ChatGPT 来了！吸收 AI 画画全技能，MSRA 全华人团队打造，微软 16 年老将领衔》
ChatGPT 会画画了！
问它:能生成一张猫片给我吗？
立刻连文带图全有了。
同时也看得懂图、有理解能力。
比如发一张图给它，然后问摩托是什么颜色？它能回答出是黑色。
如上，就是由 MSRA 资深研究人员们提出的视觉版 ChatGPT。
通过给 ChatGPT 结合多种视觉模型，并利用一个提示管理器，他们成功让 ChatGPT 可以处理各种视觉任务。
这项工作一发出来就火了，GitHub 揽星已超过 1.5k。
简单总结一下，就是把 GPT 和 Dall-E 合并的感觉~
又懂文字又会画图…… 有人就说:
这不是终极 meme 图制造机？
诀窍在于提示工程？
Visual ChatGPT，其实就是让 ChatGPT 可以处理多模态信息。
但是从头训练一个多模态模型，工作量非常大。
研究人员想到可以在 ChatGPT 的基础上，结合一些视觉模型。
而想要达到这一目的，关键需要一个中间站。
由此他们提出了提示管理器的概念。
它的作用主要有 3 方面:
第一、明确告诉 ChatGPT，每个视觉模型的作用，并指定好输入输出格式。
第二、转换不同的视觉信息，如将 PNG 图像、深度图像、掩码矩阵等转换为语言格式，方便 ChatGPT 理解。
第三、处理视觉模型的历史生成结果，以及不同模型的调用优先级、规避冲突等，让 ChatGPT 能够以迭代的方式接收视觉模型的生成内容，直到输出用户满意的结果。
这样一来，Visual ChatGPT 的工作流大概长这样:
假如用户输入了一张图，模型会先将内容发送给提示管理器，然后转换成语言给 ChatGPT 判断，当它发现这个问题不需要调用视觉模型，就会直接给出输出。
第二个问题时，ChatGPT 分析问题内容需要使用视觉模型，就会让视觉模型开始执行，然后一直迭代，直到 ChatGPT 判断不再需要调用视觉模型时，才会输出结果。
论文介绍，Visual ChatGPT 中包含了 22 个不同的视觉模型。包括 Stable Diffusion、BLIP、pix2pix 等。
为了验证 Visual ChatGPT 的能力，他们还进行了大量零次试验。
结果如开头所示，Visual ChatGPT 具备很强的图像理解能力。
当然，研究人员也提到了这项工作目前还存在一些局限性。
比如生成结果的质量，主要取决于视觉模型的性能。
以及使用大量的提示工程，会一定程度上影响生成结果的速度。而且还可能同时调用多个模型，也会影响实时性。
MSRA 老将出马
本项研究成果来自微软亚洲研究院的团队。
通讯作者是段楠。
他是 MSRA 首席研究员，自然语言计算组研究经理，中国科学技术大学兼职博导，天津大学兼职教授，CCF 杰出会员。
主要从事自然语言处理、代码智能、多模态智能、机器推理等研究。
2006 年加入 MSRA，任职已超 16 年。
第一作者 Chenfei Wu，同样是一位资深研究人员了。
据领英资料显示，他于 2012 年加入微软，任职 11 年，目前是一位软件工程师。
论文地址:
参考链接:
