苹果推出 300 亿参数 MM1 多模态大模型，可识别图像推理自然语言
摘要：
直播吧月日讯常规赛雷霆战胜开拓者赛后雷霆球员杰伦威廉姆斯接受了记者的采访谈到本场比赛开拓者的表现杰伦威廉姆斯说道这就是之家月日消息苹果公司旗下研究团队近日在中公布了一篇名为的论文其... 直播吧3月7日讯NBA常规赛，雷霆128-120战胜开拓者。赛后雷霆球员杰伦-威廉姆斯接受了记者的采访。谈到本场比赛开拓者的表现，杰伦-威廉姆斯说道：“这就是NBA。
IT之家 3 月 16 日消息，苹果公司旗下研究团队近日在 ArXiv 中公布了一篇名为《MM1：Methods， Analysis & Insights from Multimodal LLM Pre-training》的论文，其中介绍了一款 “MM1”多模态大模型，该模型提供 30 亿、70 亿、300 亿三种参数规模，拥有图像识别和自然语言推理能力。
IT之家注意到，苹果研究团队相关论文主要是利用 MM1 模型做实验，通过控制各种变量，找出影响模型效果的关键因素。
研究表明，图像分辨率和图像标记数量对模型性能影响较大，视觉语言连接器对模型的影响较小，不同类型的预训练数据对模型的性能有不同的影响。
据介绍，研究团队首先在模型架构决策和预训练数据上进行小规模消融实验。之后利用混合专家（Mixture of Experts）架构及一种名为 Top-2 Gating 的方法构建了 MM1 模型，号称不仅在预训练指标中实现了最好的性能表现，在一系列已有多模态基准上监督微调后也能保持有竞争力的性能。
研究人员对“MM1”模型进行了测试，号称 MM1-3B-Chat 和 MM1-7B-Chat 优于市面上绝大多数相同规模的模型。MM1-3B-Chat 和 MM1-7B-Chat 在 VQAv2、TextVQA、ScienceQA、MMBench、MMMU 和 MathVista 中表现尤为突出，但是整体表现不如谷歌的 Gemini 和 OpenAI 的 GPT-4V。
