(资料图)

不靠多模态数据，大语言模型也能看得懂图？！

话不多说，直接看效果。

就拿曾测试过 BLIP-2 的长城照片来说，它不仅可以识别出是长城，还能讲两句历史：

再来一个奇形怪状的房子，它也能准确识别出不正常，并且知道该如何进出：

故意把“Red”弄成紫色，“Green”涂成红色也干扰不了它：

这就是最近研究人员提出的一种新模块化框架 ——LENS

关键词：