蘋果公司近期為其多模態(tài)大模型MM推出了1.5版本，新版本在延續(xù)前代MM1數(shù)據(jù)驅(qū)動(dòng)訓(xùn)練原則的基礎(chǔ)上，著重研究了混合不同類型數(shù)據(jù)對(duì)模型性能的影響。相關(guān)模型文檔已在Hugging Face上發(fā)布，并附有論文鏈接。

MM1.5版本提供了10億至300億多種參數(shù)規(guī)模的選擇，具備圖像識(shí)別和自然語言推理能力。蘋果的研發(fā)團(tuán)隊(duì)在新版本中改進(jìn)了數(shù)據(jù)混合策略，顯著增強(qiáng)了模型在多文本圖像理解、視覺引用與定位以及多圖像推理方面的表現(xiàn)。

根據(jù)參考論文，蘋果在MM1.5的持續(xù)預(yù)訓(xùn)練階段引入了高質(zhì)量的OCR數(shù)據(jù)和合成圖像描述，大幅提升了模型對(duì)富含文本內(nèi)容的圖像的理解能力。研究團(tuán)隊(duì)還在監(jiān)督式微調(diào)階段分析了不同數(shù)據(jù)類型對(duì)模型性能的影響，并優(yōu)化了視覺指令微調(diào)數(shù)據(jù)的混合方式，使模型實(shí)現(xiàn)了更高的效率，即便是小規(guī)模的模型（10億、30億參數(shù)版本）也能展現(xiàn)出優(yōu)秀的性能。

蘋果公司此次還推出了MM1.5-Video模型，專門用于視頻理解，以及MM1.5-UI模型，專注于移動(dòng)設(shè)備用戶界面的理解。MM1.5-UI模型未來有望成為iOS背后的“蘋果牌”AI，它能夠處理各種視覺引用與定位任務(wù)，總結(jié)屏幕上的功能，或者通過對(duì)話與用戶進(jìn)行交互。