Groma
多模态大语言模型Groma的视觉定位技术
Groma是一款多模态大语言模型，具有出色的区域理解和视觉定位功能，能够处理用户定义的区域输入并生成基于视觉内容的长文本回答。Groma采用独特的视觉标记和外部模块进行定位，在多模态引用表达理解基准方面表现优秀，并提供详细的安装、数据准备和训练指南，方便用户进行自定义训练。
项目介绍：Groma
Groma 是一款突破性的多模态大语言模型，它在视觉区域理解和视觉标定能力上表现出色。该模型能够处理用户定义的特定区域输入（例如框选的区域），并可以生成与视觉上下文相关的长篇回答。这种能力使 Groma 成为一种新型的多模态大模型，它采用了独特的视觉标定方法。
Groma 的创新点
Groma 引入了一个新颖的多模态大语言模型范式。按照模型的构建方式，可以分为以下几种：
- 传统的多模态大语言模型通过位置信息（如 Kosmos-2、Shikra）来定位；
- 一些使用外部模块（如 Lisa）进行定位；
- 而 Groma 采用视觉标记器来进行本地化，即通过图像中的视觉信息进行定位。
这种方法让 Groma 在任务处理上更加灵活和直观。
性能表现
在多模态大语言模型中，Groma 在参考表达理解（REC）基准测试中取得了显著的效果，比如在 RefCOCO、RefCOCO+ 和 RefCOCOg 等数据集上的表现都超越了许多现有的模型。
| 方法 | RefCOCO (val) | RefCOCO (testA) | RefCOCO (testB) | RefCOCO+ (val) | RefCOCO+ (testA) | RefCOCO+ (testB) | RefCOCOg (val) | RefCOCOg (test) | 平均 |
|---|---|---|---|---|---|---|---|---|---|
| Groma | 89.53 | 92.09 | 86.26 | 83.90 | 88.91 | 78.05 | 86.37 | 87.01 | 86.52 |
模型安装和使用
要使用 Groma，可通过以下步骤进行安装和配置：
- 克隆项目仓库并创建虚拟环境。
- 安装必要的 PyTorch 相关依赖。
- 下载 Groma 的模型权重和训练中间检查点。
- 准备所需的数据集。
数据准备
Groma 的训练数据包括多种类型和来源的数据集，涵盖检测、图像描述、区域描述和参考表达理解等任务。这些数据集的准备详情可在项目的文档中找到。用户可以根据自己的需求选择性下载和使用这些数据集。
训练流程
Groma 的训练分为几个阶段：
- 检测预训练阶段
- 对齐预训练阶段
- 指导微调阶段
每个阶段都有相应的脚本和数据要求，用户可以根据指南进行特定阶段的训练。
推理和评估
Groma 支持在单张图像上进行推理，并生成用户指定的查询答案。用户可以根据需要选择不同的量化类型进行推理过程。对于评估细节，用户可以参考项目文档中的评估说明。
结语
Groma 的开发基于 LLaVA 和 GPT4ROI 等优秀项目，感谢这些项目的贡献。如果 Groma 对您的研究有帮助，请给予项目支持或引用相关的论文。
Groma 项目由 Apache License 2.0 授权发布，详情请查阅许可证文件。
编辑推荐精选
TRAE编程
AI辅助编程，代码自动修复
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
咔片PPT
AI助力，做PPT更简单！
咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。
讯飞绘文
选题、配图、成文，一站式创作，让内容运营更高效
讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。
材料星
专业的AI公文写作平台，公文写作神器
AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号