华科VLRLab团队发布多模态大模型Monkey，引领AI大模型浪潮进入新阶段

华中科技大学VLRLab团队发布多模态大模型“Monkey”，能对大尺寸图片进行精确描述和推理

华中科技大学软件学院教授白翔领衔的VLRLab团队最近发布了一种多模态大模型——“Monkey”（意为“猴子”），能够同时处理和整合多种感知数据，包括文本、图像、音频等，以实现对世界的“观察”，对大尺寸图片进行精确描述和推理。

Monkey模型在18个数据集上的实验中表现出色，特别是在图像描述和视觉问答任务方面，超越了众多现有知名的模型。其出色的“看图说话”能力也是一大亮点，能够察觉到其他多模态大模型所忽略的内容。

Monkey利用现有工具构建了一种多层级的描述生成方法，通过五个步骤依次对图片进行整体简述、空间定位、模块化识别、描述赋分选取和最终总结，以提升描述的准确性和丰富程度。与此同时，Monkey能够处理分辨率高达1344×896像素的图像，是目前其他多模态大模型所能处理的最大尺寸的6倍。

多模态大模型等AI概念再度活跃，多家上市公司发布机构调研。AI大模型浪潮已进入新阶段，从大语言模型过渡到多模态模型。