大家好，我是 Jack。

一个月前，我发布过一篇文章，讲解了 GPT4 的发布会。

ChatGPT 的对话能力，想必大家也早已体验过了，无论是文本生成能力，还是写代码的能力，甚至是上下文的关联对话能力，无不一次又一次地震撼着我们。

你还记不记得发布会上，GPT4 的多模态能力，就是输入不仅是可以是文字，还可以是文本和图片。

比如输入：（看图）手套掉下去会怎样？

输出：它会掉到木板上，并且球会被弹飞。

甚至画个网站的草图，GPT4 就可以立马生成网站的 HTML 代码。

然而，已经过去一个多月了！OpenAI 至今也没有提供发布会所展示的多模态处理能力！

原本以为还要再等几个月的官方更新，才能体验上这个功能，没想到，我看到了这么一个项目。

该项目名为 MiniGPT-4，是阿卜杜拉国王科技大学的几位博士做的。

最主要的是，完全开源！效果如视频所示：

可以看到，MiniGPT-4 能够支持文本和图片的输入，实现了多模态的输入功能。

GitHub：https://github.com/Vision-CAIR/MiniGPT-4

在线体验：https://minigpt-4.github.io

作者还提供了网页 Demo，可以直接体验：

MiniGPT-4 是在一些开源大模型基础上训练得到的，fine tune 分为两个阶段，先是在 4 个 A100 上用 500 万图文对训练，然后再用一个一个小的高质量数据集训练，单卡 A100 训练只需要 7 分钟。

给大家看几个例子：

不过目前使用的人数较多，可以错峰使用，或者本地部署一个服务。

本地部署也不复杂，根据官方教程直接配置环境：

git clone https://github.com/Vision-CAIR/MiniGPT-4.git
cd MiniGPT-4
conda env create -f environment.yml
conda activate minigpt4

然后下载预训练模型：

输入指令直接运行：

python demo.py --cfg-path eval_configs/minigpt4_eval.yaml

这个过程需要保证有网络，需要下载一些 BLIP 之类的依赖库。

相信不久的将来，不仅仅是可以多模态输入，还可以多模态输出。

我们可以输入：文本、图像、音频、视频

AI 就能根据我们的需求，生成我们需要的文本、图像、音频、甚至是视频。

一起期待一下吧～