Meta最近发布了一个名为Chameleon的多模态模型，它在多模态模型发展中设立了新的标杆。Chameleon是一个早期融合的基于token的混合模态模型家族，能够理解并生成任意顺序的图像和文本。它通过一个统一的Transformer架构，使用文本、图像和代码混合模态完成训练，并且对图像进行分词化，生成交错的文本和图像序列。
Chameleon模型的创新之处在于其早期融合方法，所有处理流程从一开始就映射到一个共同的表示空间，让模型能够无缝处理文本和图像。它在各种任务上展示了广泛的能力，包括视觉问答、图像标注、文本生成、图像生成和长形式混合模态生成。在图像标注任务上，Chameleon达到了最先进的性能，并且在文本任务上超越了Llama-2，与Mixtral8x7B和Gemini-Pro等模型竞争。
论文地址:https://arxiv.org/pdf/2405.09818
Chameleon模型在技术上面临了重大挑战，Meta的研究团队引入了一系列架构创新和训练技术。例如，他们开发了新的图像分词器，基于8192大小的codebook，将512×512的图像编码为1024个离散的token。此外，Chameleon使用了sentencepiece开源库训练的BPE分词器。
在预训练阶段，Chameleon使用了混合模态数据，包括纯文本、文本-图像对以及文本和图像交错的多模态文档。预训练分为两个阶段，第一阶段无监督学习，第二阶段混合更高质量的数据。
Chameleon模型在基准评估中全面超越了Llama2，在常识推理、阅读理解、数学问题和世界知识领域都取得了显著的效果。在人工评估和安全测试中，Chameleon-34B的表现也远远超过了Gemini Pro和GPT-4V。
尽管Chameleon缺少GPT-4o中的语音能力，但Meta的产品管理总监表示，他们非常自豪能够支持这个团队，并希望让GPT-4o更接近开源社区。这可能意味着不久的将来，我们可能会得到一个开源版的GPT-4o。
Chameleon模型的发布，展示了Meta在多模态模型领域的重大进展，它不仅推动了多模态模型的发展，也为未来的研究和应用提供了新的可能性。