60億AI獨(dú)角獸Mistral祭出磁力鏈，首個(gè)多模態(tài)Pixtral 12B登場(chǎng)！但被大佬曝出評(píng)測(cè)造假
法國AI初創(chuàng)Mistral AI，又扔出一條磁力鏈炸場(chǎng)了。
圖片
這次，與以往不同的是，他們發(fā)布了首個(gè)多模態(tài)模型Pixtral 12B，集語言、視覺能力于一身。
圖片
這意味著，Mistral AI正式跨界MMML，開啟多模態(tài)AI新時(shí)代，同時(shí)向OpenAI、Anthropic等勁敵發(fā)起挑戰(zhàn)。
多模態(tài)Pixtral 12B，是基于文本模型Nemo 12B完成訓(xùn)練。
與GPT-4o、Claude類似，只需上傳一張圖、提供一個(gè)鏈接，模型就能根據(jù)提示回答問題。
它不僅能夠識(shí)別復(fù)雜手寫筆記，還能看懂?dāng)?shù)學(xué)公式、圖表等等。
在多項(xiàng)基準(zhǔn)測(cè)試（文本、指令跟隨、多模態(tài)）中，新模型性能大幅超越Qwen2 7B、Phi-3 Vision開源模型。
圖片
Hugging Face技術(shù)負(fù)責(zé)人發(fā)現(xiàn)此處列舉的Qwen的數(shù)據(jù)問題很大
相較于閉源模型，Pixtral 12B在圖表問答、文檔問答、視覺數(shù)學(xué)推理、大學(xué)水平多學(xué)科等基準(zhǔn)中，性能碾壓Claude3 Haiku、Gemini 1.5 8B。
圖片
除了大約24GB的磁力鏈，模型代碼還可在HuggingFace、GitHub下載。（由社區(qū)開發(fā)者上傳）
圖片
地址：https://huggingface.co/mistral-community/pixtral-12b-240910
值得一提的是，Mistral AI現(xiàn)場(chǎng)還請(qǐng)來了老黃坐鎮(zhèn)。
圖片
手繪稿直出代碼，現(xiàn)場(chǎng)Demo驚艷
Mistral AI在舊金山舉辦的首屆AI峰會(huì)上，初次展示了Pixtral 12B的多模態(tài)能力。
圖片
現(xiàn)場(chǎng)，足以用震撼形容。
讓它將一份科學(xué)報(bào)告轉(zhuǎn)錄為Markdown格式，可以看到圖片中，包含了許多復(fù)雜的數(shù)學(xué)符號(hào)，還有公式。
Pixtral 12B通過OCR能力，精準(zhǔn)地識(shí)別出所有的內(nèi)容。
圖片
再來一個(gè)更復(fù)雜的手寫稿，別說AI了，小編也有些看不清寫的什么字。
沒想到，這也難不倒它。
圖片
給它扔一張關(guān)于美國「風(fēng)險(xiǎn)投資交易密度分布」的圖表，并將其總結(jié)成一份表。
模型以不同州/城市，以及交易數(shù)量、區(qū)位商（LQ），列出了非常清晰的表格。
圖片
再來看看，它如何去描述一張圖像的。
上傳一張風(fēng)景圖，然后詢問「我們可以從中看到什么」？
Pixtral 12B先從各種動(dòng)物近景描述，再延伸到背后建筑、基礎(chǔ)設(shè)施，以及大樹、天空云彩等。
整個(gè)講述的過程，非常有邏輯。
圖片
在復(fù)雜圖表方面，Pixtral 12B理解力也是一絕。
上傳一張全球不同國家GDP圖片，讓它給出歐洲中GDP最高的5個(gè)國家。
模型根據(jù)綠色歐洲區(qū)域，總結(jié)給出了相應(yīng)的答案。
圖片
不僅如此，它還可以解釋科學(xué)報(bào)告中，圖表中DNA結(jié)構(gòu)的具體含義。
圖片
想要搭建一個(gè)網(wǎng)頁，手繪一張草稿，傳給模型。
它能看著圖直出代碼，一個(gè)網(wǎng)頁HTML的設(shè)計(jì)分分鐘就搞定了。
圖片
又或是，當(dāng)你遇到一道數(shù)學(xué)推理難題，拍好照片上傳給Pixtral 12B，便會(huì)得到解題步驟和答案。
圖片
外出餐飲小票，它也可以將其中信息提取成JSON格式。
圖片
這樣一通看下來，一個(gè)120億參數(shù)的小模型，竟具備了如此強(qiáng)大的圖像識(shí)別、文本理解能力。
那么，它是如何訓(xùn)練而來？背后架構(gòu)是什么？
模型架構(gòu)
現(xiàn)場(chǎng)的介紹中，Pixtral 12B的架構(gòu)如下圖所示。
它包含了一個(gè)多模態(tài)Transformer解碼器，還有視覺Transformer編碼器，能夠理解原生的圖像和文檔。
圖片
正如開頭所述，新模型是基于Nemo 12B完成搭建，關(guān)于訓(xùn)練數(shù)據(jù)目前仍在保密中。
開發(fā)者關(guān)系主管Sophia Yang表示，「Pixtral 12B獨(dú)特之處在于，能夠原生支持任意數(shù)量、大小的圖像」。
圖片
它能夠快速處理小圖像，還可以精準(zhǔn)處理真實(shí)世界和高分辨率的圖像。而且，扔出一個(gè)圖文混雜的大型文檔，也能信手拈來。
圖片
Pixtral 12B的上下文長度為128k。
圖片
根據(jù)初始測(cè)試者的分享，這個(gè)24GB模型架構(gòu)共有40層，14336個(gè)隱藏維度，32個(gè)注意力頭，用于廣泛的計(jì)算處理。
圖片
在視覺方面，它還有一個(gè)專用的視覺編碼器，可支持1024×1024圖像分辨率，以及24個(gè)隱藏層用于高級(jí)圖像處理。
圖片
然而，當(dāng)Mistral最終通過API提供該模型時(shí)，可能會(huì)有所改變。
就性能來說，Pixtral 12B在多模態(tài)知識(shí)和推理基準(zhǔn)（MMMU、MathVista）、多模態(tài)問答基準(zhǔn)（ChatQA、DocVQA、VQAv2）上，完全碾壓當(dāng)前領(lǐng)先的同等參數(shù)的模型。
比如，Qwen2-VL、LLaVA-OV、Phi-3 Vision等。
圖片
而在指令跟隨（多模態(tài)、文本）、文本理解（科學(xué)、數(shù)學(xué)、代碼）基準(zhǔn)上，Pixtral 12B表現(xiàn)也非常出色。
圖片
或許多模態(tài)模型對(duì)于我們來說，屢見不鮮，但Pixtral 12B對(duì)于Mistral來說是開創(chuàng)歷史。
自去年成立以來，Mistral憑借開源媲美OpenAI等領(lǐng)先實(shí)驗(yàn)室大模型，一路走紅得到AI社區(qū)的認(rèn)可。
圖片
幾個(gè)月前，它以60億美金估值，完成6.4億美元新一輪融資，并隨之推出了一款GPT-4級(jí)別的模型——Mistral Large 2。
此外，他們?cè)诮衲?，還推出了一個(gè)專家混合模型Mixtral 8x22B，包含了一個(gè)編碼模型Codestral，以及一個(gè)數(shù)學(xué)推理和科學(xué)發(fā)現(xiàn)的模型。
圖片
Mistral或許有實(shí)力，成為下一個(gè)OpenAI。
穿上皮夾克，和老黃爐邊談話
更讓人驚喜的是，大會(huì)現(xiàn)場(chǎng)，還上演了經(jīng)典「皮夾克幫」集結(jié)的一幕。
創(chuàng)始人Arthur Mensch穿上皮夾克和老黃坐在臺(tái)前，開啟了爐邊談話，一起探討了未來AI和算力問題。
圖片
老黃表示，在英偉達(dá)，GPU的設(shè)計(jì)、性能、耗能等方面問題，仍將持續(xù)優(yōu)化。
他們希望利用AI先去探索巨大設(shè)計(jì)空間的可能性，然后再進(jìn)行收縮，最終專注于有前景的解決方案。
老黃還認(rèn)為：推理在今天是一次性的，但在未來不會(huì)是這樣。為了實(shí)現(xiàn)這一點(diǎn)，還需把推理速度提高到一個(gè)數(shù)量級(jí)。
因?yàn)?，利用GPU做推理面臨著顯著的困難，英偉達(dá)90%的工程師都投在了推理，而非訓(xùn)練中。
當(dāng)然，英偉達(dá)對(duì)推理技術(shù)架構(gòu)的探索，仍在繼續(xù)。老黃希望NVLink能夠?qū)崿F(xiàn)低延遲高吞吐量的推理設(shè)計(jì)。
對(duì)于AI未來的探索，老黃表示自己最喜歡的AI應(yīng)用，便是創(chuàng)建數(shù)字人。
他希望，未來公司會(huì)有數(shù)百萬個(gè)智能體數(shù)字員工，可以自主相互交流，運(yùn)營業(yè)務(wù)。
此外，他還討論了英偉達(dá)在「類人機(jī)器人」領(lǐng)域的大量工作。
而它的發(fā)展，受到了老黃所言的「3臺(tái)計(jì)算機(jī)問題」的瓶頸制約——
第一臺(tái)用于訓(xùn)練多模態(tài)模型，第二臺(tái)用于精確物理模擬和生成合成數(shù)據(jù)（NVIDIA Omniverse），第三臺(tái)是機(jī)器人體內(nèi)的計(jì)算機(jī)（即將推出的NVIDIA Thor）。
最后，老黃還回顧了英偉達(dá)歷史，「在1993年成立之時(shí)，我們?cè)贕PU領(lǐng)域還沒有競爭對(duì)手，到1994年有10個(gè)，1995年有50個(gè)，然后有100個(gè)，競爭對(duì)手迅速增加」。
在競爭這么激烈領(lǐng)域中，英偉達(dá)能夠有所成，一定程度上，可以歸咎于你所做的事情與做這些事情的原因不同。
英偉達(dá)是PC游戲行業(yè)的最大推動(dòng)者，他們通過創(chuàng)建計(jì)算平臺(tái)、生態(tài)系統(tǒng)來創(chuàng)造一個(gè)新市場(chǎng)，使之成為「家庭的一部分」。
他們最先在游戲領(lǐng)域做到了這一點(diǎn)，然后是科學(xué)計(jì)算，現(xiàn)在是AI。
大佬發(fā)現(xiàn)「華點(diǎn)」：又來一個(gè)評(píng)測(cè)造假的？
前兩天，所謂的「開源新王」Reflection 70B才剛剛深陷Benchmark造假爭議。
如今，相似的劇情再次上演。
圖片
隨著峰會(huì)現(xiàn)場(chǎng)的照片大范圍流出，Hugging Face技術(shù)負(fù)責(zé)人Philipp Schmid也在第一時(shí)間發(fā)現(xiàn)，Mistral AI放出的跑分和Qwen 2 VL 7B的官方數(shù)據(jù)大相徑庭。
圖片
把數(shù)據(jù)補(bǔ)全到柱狀圖中后可以看道，Pixtral 12B在多項(xiàng)評(píng)測(cè)中的成績都明顯不如Qwen 2 VL 7B。
圖片
也就是說，Mistral AI的首個(gè)多模態(tài)模型，被一個(gè)參數(shù)量小了近42%的模型，吊打了！
圖片
此外，還有網(wǎng)友指出，別說數(shù)據(jù)有問題，他們連模型的名字好像都沒寫對(duì)……
圖片
參考資料：
https://venturebeat.com/ai/pixtral-12b-is-here-mistral-releases-its-first-ever-multimodal-ai-model/
