2024-08-21 | 김성태 기자,허진 기자

“可与GPT-4V匹敌”…NAVER集团公开图像理解AI“HyperCLOVA X Vision”

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

NAVER集团将发布能够理解图像与文本的多模态大语言模型“HyperCLOVA X Vision”。这距其推出大语言模型(LLM)HyperCLOVA X约一年。

据信息技术(IT)业界21日消息,NAVER集团将于近期在对话式人工智能(AI)服务“CLOVA X”中搭载具备图像分析与推理能力的“HyperCLOVA X Vision”。该模型还将引入基于HyperCLOVA X的企业间(B2B)云解决方案“CLOVA Studio”。HyperCLOVA X Vision是一种能够理解文档或图像中的文字并推断情境的AI。除韩文外,也能理解以英文、汉字或日文撰写的文档。NAVER集团表示:“我们正从以文本为主的沟通渠道向前迈进一步,发展为与人更加贴近的沟通形态”,并称“我们正倾注极大努力与热情,力求让HyperCLOVA X Vision成为在多方面有益于拥有不同背景的人们的AI”。

HyperCLOVA X Vision能够对图像作出详细说明。例如,用户要求其说明一张小孩正在给羊喂食的照片时,AI会描述孩子的衣着与表情、羊的动作,乃至照片的背景。

新版CLOVA X还能推断图像所处的情境。例如,出示牛肉、西红柿和洋葱的照片并询问可以做什么菜时,它会回答“汉堡”,还会告知烹饪方法。

HyperCLOVA X Vision能够理解图表、表格和方程式。它能理解包含图形的数学题并提供解法。HyperCLOVA X Vision还支持编程,可生成绘制图形、图表、曲线图等所需的代码。

NAVER集团表示,HyperCLOVA X Vision的性能可与OpenAI的GPT-4V相媲美。据NAVER集团介绍,HyperCLOVA X Vision在MMMU等8项指标上的平均得分为71.59分,比GPT-4V(71.63)低0.04分。同时,它还具备更有力地反映韩国地区文化与价值观的优势。

NAVER集团计划持续升级HyperCLOVA X Vision。NAVER集团表示:“我们将改进推理能力,并调整用于高分辨率处理的编码器结构,逐步提升性能。”

阅读韩文原文