近日，复旦大学、上海人工智能实验室等机构联合推出了一款名为AnyGPT的多模态大语言模型，该模型在处理语音、文本、图像和音乐等多种模态输入时，可以生成任何模态的输出。
AnyGPT采用离散表示技术，通过在各模态输入上进行离散标记，实现了多模态信息的统一处理。该模型无需对当前大语言模型结构或训练方法进行任何修改，仅通过数据层面的预处理即可实现对新模态的顺利集成，这类似于添加新语言的方式。
为了更好地训练AnyGPT，研究团队构建了一个多模态文本中心数据集，用于多模态对齐的预训练。通过生成模型，团队还成功合成了首个大规模的任意多模态指令数据集，其中包含108，000个多轮对话样本，涵盖了各种模态的巧妙交织，使模型能够处理任意多模态的输入和输出组合。
实验证明，AnyGPT在实现任意多模态对话的同时，在所有模态上的性能与专业模型相当，证明了离散表示在语言模型中能够有效而便捷地统一多种模态。
AnyGPT产品特色亮点
1. **多模态处理创新性**:
- AnyGPT采用离散表示技术，能够统一处理语音、文本、图像和音乐等多种模态输入，展现了在多模态处理领域的创新性。
2. **稳定训练与灵活集成**:
- 无需修改当前大语言模型结构或训练方法，AnyGPT通过数据层面的预处理实现了稳定训练，且能够轻松集成新的模态，类似于添加新语言的方式。
3. **数据集与模型合成**:
- 构建了多模态文本中心数据集，用于多模态对齐的预训练，提高了模型的学习效果。
- 通过生成模型成功合成了首个大规模的任意多模态指令数据集，其中包含108k个多轮对话样本，使模型能够处理任意组合的多模态输入和输出。
4. **架构不变的高效处理**:
- AnyGPT模型架构不需要改变，所有模态都被划分为离散的标记，使得模型能够高效进行多模态理解和生成，只需在数据预处理和后处理方面进行操作。
5. **多模态演示场景**:
- 提供了多个实际场景的演示，包括语音克隆、多模态指令转化、文本到图像、音乐生成等，展示了模型在不同应用场景中的灵活性和可用性。
AnyGPT的创新性、灵活性和实用性使其在多模态语言模型领域取得了显著的进展。该模型的离散表示技术为实现多模态信息的统一处理提供了一种新的思路，为未来语言模型的发展指明了方向。
产品入口：https://top.aibase.com/tool/any-gpt-