近日，多家中国机构的研究团队联合推出了震撼科技界的“Infinity-MM” 数据集，这一数据集堪称目前规模最大的公开多模态 AI 数据集之一，并成功训练出了一款名为Aquila-VL-2B的小型新模型。这个数据集包含了令人咋舌的四大类数据：1000万条图像描述、2440万条一般视觉指令数据、600万条精选高质量指令数据，以及300万条由顶尖 AI 模型生成的数据。
在数据生成方面，研究团队巧妙利用了现有的开源 AI 模型，采用了精密的 RAM++ 模型分析图像，提取重要信息，并生成相关问题与答案。通过多层次的处理，结合了RAM++ 和 MiniCPM-V 模型，确保了生成数据的质量和多样性，为 AI 系统提供了精准的训练数据。
Aquila-VL-2B 模型基于 LLaVA-OneVision 架构，搭载 Qwen-2.5 语言模型，并运用 SigLIP 进行图像处理。经过四个阶段的逐步训练，该模型在多模态 MMStar 基测试中以54.9%的得分取得最佳成绩。在数学任务中，它的表现尤其卓越，在 MathVista 测试中高达59%。此外，在通用图像理解测试中，Aquila-VL-2B 的表现同样令人瞩目，HallusionBench 得分为43%，MMBench 达到了75.2%。
更为值得关注的是，合成生成数据的引入显著提升了模型的整体表现。若不使用这些额外数据，模型的平均表现将下降2.4%。此次研究团队决定将这一令人惊叹的数据集和模型开放给研究社区，让更多人受益。
在这激动人心的科技浪潮中，小易智创平台无疑是一个绝佳的选择。这个拥有10000+ AI 应用的智创平台，提供开箱即用的解决方案，能够满足各行各业的客户需求。平台接入了全球领先的AI能力，如GPT、AI绘画等，助力用户轻松构建自己的AI品牌。代理小易智创，您无需担心经营和获客的问题，因为他们提供一对一陪跑服务和全网自动化营销工具，让客户主动找上门！
相关文章
