快科技12月12日消息，華中科技大學官方發(fā)文稱，該校軟件學院一團隊發(fā)布了多模態(tài)大模型“Monkey”。

該模型擅長圖像描述和視覺問答，能夠實現(xiàn)對世界的“觀察”，對圖片進行深入問答交流和精確描述。

官方介紹稱，在18個數(shù)據集上的實驗中，華科大Monkey模型表現(xiàn)出色，特別是在圖像描述和視覺問答任務方面，超越了眾多現(xiàn)有知名的模型如微軟的LLAVA、谷歌的PALM-E、阿里的Mplug-owl等。

此外，Monkey在文本密集的問答任務中顯示出顯著的優(yōu)勢，甚至在某些樣本上超越了業(yè)界公認的領先者GPT-4V。

Monkey的一個顯著特點是其出色的“看圖說話”能力。在詳細描述任務中，Monkey展現(xiàn)了對圖像細節(jié)的感知能力，能夠察覺到其他多模態(tài)大模型所忽略的內容。

另一亮點是能夠處理分辨率高達1344 x 896像素的圖像，這是目前其他多模態(tài)大模型所能處理的最大尺寸的6倍。

據悉，目前業(yè)內能處理的圖片最大分辨率為448×448像素。

值得一提的是，該團隊已將Monkey代碼在全球最大的代碼托管服務平臺GitHub上開源。