10月13日消息，近日，蘋果公司推出了300億參數(shù)的多模態(tài)AI大模型MM1.5，該版本是在前代MM1的架構基礎上發(fā)展而來的。

該模型繼續(xù)遵循數(shù)據驅動的訓練原則，著重探究在不同訓練周期中混合各類數(shù)據對模型性能產生的影響，相關模型文檔已在Hugging Face上發(fā)布。

MM1.5提供了從10億到300億的多種參數(shù)規(guī)模，擁有圖像識別和自然語言推理能力。

在新版本中，蘋果公司的研發(fā)人員改進了數(shù)據混合策略，極大地增強了模型在多文本圖像理解、視覺引用與定位以及多圖像推理等方面的能力。

參考論文可知，團隊在MM1.5的持續(xù)預訓練階段引入了高質量的OCR數(shù)據和合成圖像描述，這顯著提高了模型對包含大量文本的圖像的理解水平。

此外，研究人員在監(jiān)督式微調階段深入分析了不同數(shù)據類型對模型表現(xiàn)的作用，優(yōu)化了視覺指令微調數(shù)據的混合方式，使得即便是小規(guī)模的模型（如10億、30億參數(shù)版本）也能有出色的發(fā)揮，實現(xiàn)了更高的效率。

值得一提的是，蘋果公司這次還推出了專門用于視頻理解的MM1.5-Video模型和專門處理移動設備用戶界面（UI）理解的MM1.5-UI模型。

其中，MM1.5-UI模型未來有望成為iOS背后的“蘋果牌”AI，能夠處理各種視覺引用與定位任務，還能總結屏幕上的功能，或者通過與用戶的對話進行交互。

盡管MM1.5模型在多項基準測試中表現(xiàn)優(yōu)異，但蘋果團隊仍計劃通過進一步融合文本、圖像和用戶交互數(shù)據，并設計更復雜的架構，來提升模型對移動設備UI的理解能力，從而讓“蘋果牌”AI更強大。