近日，蘋果公司推出了300億參數(shù)的多模態(tài)AI大模型MM1.5，該版本是在前代MM1的架構(gòu)基礎(chǔ)上發(fā)展而來(lái)的。

模型繼續(xù)遵循數(shù)據(jù)驅(qū)動(dòng)的訓(xùn)練原則，著重探究在不同訓(xùn)練周期中混合各類數(shù)據(jù)對(duì)模型性能產(chǎn)生的影響，相關(guān)模型文檔已在Hugging Face上發(fā)布。

MM1.5提供了從10億到300億的多種參數(shù)規(guī)模，擁有影像辨識(shí)和自然語(yǔ)言推理能力。

在新版本中，蘋果公司的研發(fā)人員改進(jìn)了數(shù)據(jù)混合策略，大大增強(qiáng)了模型在多文本圖像理解、視覺引用與定位以及多圖像推理等方面的能力。

參考論文可知，團(tuán)隊(duì)在MM1.5的持續(xù)預(yù)訓(xùn)練階段引入了高品質(zhì)的OCR數(shù)據(jù)和合成圖像描述，這顯著提高了模型對(duì)包含大量文本的圖像的理解程度。

此外，研究人員在監(jiān)督式微調(diào)階段深入分析了不同數(shù)據(jù)類型對(duì)模型表現(xiàn)的作用，優(yōu)化了視覺指令微調(diào)數(shù)據(jù)的混合方式，使得即便是小規(guī)模的模型（如10億、30億參數(shù)版本）也能有出色的發(fā)揮，實(shí)現(xiàn)了更高的效率。

值得一提的是，蘋果這次也推出了專門用于視頻理解的MM1.5-Video模型和專門處理行動(dòng)設(shè)備用戶接口（UI）理解的MM1.5-UI模型。

其中，MM1.5-UI模型未來(lái)有望成為iOS背后的「蘋果牌」AI，能夠處理各種視覺引用與定位任務(wù)，還能總結(jié)屏幕上的功能，或通過(guò)與用戶的對(duì)話進(jìn)行交互。

盡管MM1.5模型在多項(xiàng)基準(zhǔn)測(cè)試中表現(xiàn)優(yōu)異，但蘋果團(tuán)隊(duì)仍計(jì)劃通過(guò)進(jìn)一步融合文本、圖像和用戶交互數(shù)據(jù)，并設(shè)計(jì)更復(fù)雜的架構(gòu)，來(lái)提升模型對(duì)行動(dòng)設(shè)備UI的理解能力，從而讓「蘋果牌」AI更強(qiáng)大。