VisCPM-Chat 简介

VisCPM-Chat是基于清华大学NLP小组发布的CPM-Bee模型（CPM Bee - 10B模型信息卡： https://www.datalearner.com/ai-models/pretrained-models/CPM-Bee ）进行多模态训练得到的一个多模态对话模型。该系列模型包含2种，分别是VisCPM-Chat-balance与VisCPM-Chat-zhplus，前者是中英文能力平衡，后者则是中文能力更强。

关于VisCPM-模型的整体介绍参考： https://www.datalearner.com/blog/1051688132077366 

VisCPM-Chat模型在中文多模对话、复杂推理方面都具有很好的效果。模型本身是基于基础语言模型外接视觉编解码得到的。如下图所示：

VisCPM-Chat模型训练细节

VisCPM-Chat模型是针对多模态对话进行优化的多模态大模型，是基座语言模型外接Q-Former视觉编码器和Diffusion-UNet视觉解码器其训练分为2个阶段：

预训练阶段：使用1亿条高质量英文图文对数据对VisCPM-Chat进行预训练，其中基座语言模型的参数保持固定，仅更新视觉编码器Q-Former部分的参数，用来做语言与视觉的对齐。

指令精调阶段：在预训练结束之后，需要让模型理解视觉相关的指令。因此，官方采用了LLaVA-150K英文指令精调数据集（LLaVA是微软官方发布的多模态大模型： https://www.datalearner.com/ai-models/pretrained-models/LLaVA ）对模型进行精调。该阶段模型所有的参数都会更新。

官方在指令精调阶段发现一个有意思的现象：

有趣的是，我们发现即使仅采用英文指令数据进行指令精调，模型也可以理解中文问题，但仅能用英文回答。这表明模型的多语言多模态能力已经得到良好的泛化。

从这里也可以发现生成模型的优点，应该是其基础语言模型有中英文多语言的能力，基于中文问题，自然地可以生成英文回答，并生成了图像信息。

为了更好地支持中文的多模态对话能力，官方也收集了额外的2000万原生中文图文对数据以及1.2亿翻译后的中文图文数据对，然后在预训练阶段训练了另一个模型称为VisCPM-Chat-zhplus，也就是对中文理解的版本。原始版本则成为VisCPM-Chat-balance。

VisCPM-Chat模型开源和使用

不过可惜的是，该模型是收费商用授权（其语言模型的基座模型为CPM-Bee 10B，可免费商用授权），但是对个人和研究完全免费开源。

官方也放出了预训练结果的下载链接：

需要注意的是，VisCPM-Chat模型的载入需要40G的显存，开启CUDA_MEM_SAVE=True之后也需要22G显存，但是推理时间更长。