感謝IT之家網友 航空先生 的線索投遞！

，商湯科技于今日發布了多模態多任務通用大模型“書生2.5”，擁有 30 億參數，號稱是目前全球開源模型中 ImageNet 準確度最高、規模最大，同時也是物體檢測標桿數據集 COCO 中唯一超過 65.0 mAP 的模型。

據介紹，“書生 2.5”的圖文跨模態開放任務處理能力可為自動駕駛、機器人等通用場景任務提供高效精準的感知和理解能力支持。“書生”由商湯科技、上海人工智能實驗室、清華大學、香港中文大學、上海交通大學于 2021 年 11 月首次共同發布，并持續聯合研發。

改進方面，“書生 2.5”實現了通過文本來定義任務，從而可以靈活地定義不同場景的任務需求，并根據給定視覺圖像和任務的提示性語句，給出相應的指令或作答，進而具備通用場景下的高級感知和復雜問題處理能力，比如圖像描述、視覺問答、視覺推理和文字識別等。

在自動駕駛和居家機器人等通用場景下，“書生 2.5”可輔助處理各種復雜任務。

例如，在自動駕駛場景中，可以大幅提升場景感知理解能力，準確輔助車輛判斷交通信號燈狀態、道路標志牌等信息，為車輛決策規劃提供有效信息輸入。

除解決自動駕駛和居家機器人這類復雜問題的能力，“書生 2.5”通用大模型也可解決紛繁復雜的日常生活中的常見任務，滿足各種需求。

除全圖級別的以圖生文，“書生 2.5”通用大模型同樣可根據物體邊框更精細化定位任務需求。

“書生 2.5”同時具備 AIGC“以文生圖”的能力。可根據用戶提出的文本創作需求，利用擴散模型生成算法，生成高質量、自然的寫實圖像。

例如，借助“書生 2.5”的以文生圖能力幫助自動駕駛技術研發，通過生成各類真實的道路交通場景，如繁忙的城市街道、雨天擁擠車道、馬路上奔跑的狗等，生成寫實的 Corner Case 訓練數據，進而訓練自動駕駛系統對 Corner Case 場景的感知能力上限。

“書生 2.5”還可根據文本快速檢索出視覺內容。

例如，可在相冊中返回文本所指定的相關圖像，或是在視頻中檢索出與文本描述最相關的幀，提高視頻中時間定位任務的效率。此外還支持引入物體檢測框，根據文本返回最相關的物體，實現開放世界視頻或圖像中物體檢測及視覺定位。

即日起，“書生 2.5”多模態通用大模型已在商湯參與的通用視覺開源平臺 OpenGVLab 開源，IT之家附 GitHub 倉庫訪問鏈接。