虽然说目前已经推出的 ChatGPT 功能属实非常强悍了，基本上它颠覆了人类对于 AI 的看法，毕竟世上没有一款 AI 能够像 ChatGPT 问世之前，能那么顺畅与人类进行交流。话说如此，ChatGPT 缺点还是有的，那就是没办法为我们处理视觉难题及执行视觉文本识别的操作。

相信是看到了这一缺陷，Microsoft 研究人员最近发布论文，推出更强悍的 AI —— Kosmos-1，它是一款全能大型语言模型（Multimodal Large Language Model；MLLM），比 ChatGPT 纯文本的（Large Language Model；LLM）还要强。

根据 Microsoft 研究人员在论文介绍，Kosmos-1 能处理的事物非常多，具体能处理的事物如下：

处理语言任务 Language Task

• 语言理解
• 语言生成
• OCR-free 文本分类

跨模式传输 Cross-modal transfer

• 常识推理

非语言推理 Nonverbal reasoning

• 智商IQ 测试

感知语言任务 Perception-language task

• 图像说明
• 视觉问答
• 网页问答

视觉任务 Vision task

• 零样本图像分类(zero-shot classification, ZSC)
• 带描述的零样本图像分类(Zero-shot image classification with descriptions, ZSCD)

简单来说，Kosmos-1 可以处理分析图像的内容、解决视觉难题、执行视觉文本识别，以及通过视觉智商测试和理解自然语言指令等等。具体而言，Kosmos-1 可以处理文本、音频、图像和视频等内容。

与此同时，Microsoft 研究人员在论文说到，“作为智能的基本组成部分，多模态感知是实现人工智能的必要条件”。Kosmos-1 论文中的视觉示例显示模型分析图像并回答有关图像的问题，从图像中读取文本，为图像编写标题，并以 22-26% 的准确度进行视觉智商测试。

最后 Microsoft 表示，他们计划向开发人员提供 Kosmos-1 的使用权限，不过研究人员在论文引用的GitHub 页面 没有明显的 Kosmos 特定代码。

想要了解更多有关 Microsoft 研究人员发表的论文，大家能点我（链接）前往相关页面进行查阅哦！