用视觉来做Prompt！沈向洋展示IDEA研究院新模型，无需训练或微调，开箱即用

白交 发自 凹非寺 量子位 | 公众号 QbitAI

用视觉来做Prompt，是种什么体验？

只需在图里随便框一下，结果秒秒钟圈出同一类别！

即便是那种GPT-4V都难搞定的数米粒的环节。只需要你手动拉一下框，就能找出所有米粒来。

新的目标检测范式，有了！

刚刚结束的IDEA年度大会上，IDEA研究院创院理事长、美国国家工程院外籍院士沈向洋展示了最新研究成果——

基于视觉提示（Visual Prompt）模型T-Rex。

整个流程交互，开箱即用，只需几步就可以完成。

此前，Meta开源的SAM分割一切模型，直接让CV领域迎来了GPT-3时刻，但仍是基于文本prompt的范式，在应对一些复杂、罕见场景就会比较难办。

现在以图换图的方式，就能轻松迎刃而解。

除此之外，整场大会也是干货满满，比如Think-on-Graph知识驱动大模型、开发者平台MoonBit月兔、AI科研神器ReadPaper更新2.0、SPU机密计算协处理器、可控人像视频生成平台HiveNet等等。

最后，沈向洋还分享了过去几年时间花时间最多的一个项目：低空经济。

我相信当低空经济发展到相对成熟时，同一个时间点，在深圳的天空中每天有10万架无人机，每天飞起来的有百万架无人机。

用视觉来做Prompt

除了基础的单轮提示功能，T-Rex还支持三种进阶模式。

• 多轮正例模式

有点像多轮对话，以得出更为精确的结果，不至于出现漏检的情况。

• 正例+负例模式

适用于视觉提示带有二义性造成误检的场景。

*　跨图模式。

用单张参考图提示，来检测其他的图。

据介绍，T-Rex不会受到预定义类别限制，能够利用视觉示例指定检测目标，这样一来就克服有些物体难以用文字充分表达的问题，以提高提示效率。尤其像一些工业场景中的复杂组件等。

除此之外，通过与用户交互的方式，也可以随时快速地评估检测结果，并进行纠错等。

T-Rex主要由三个组件组成：图像编码器、提示编码器以及框解码器。

这项工作来自IDEA研究院计算机视觉与机器人研究中心。

该团队此前开源的目标检测模型DINO是首个在COCO目标检测上取得榜单第一的DETR类模型；在Github上大火（至今狂揽11K星）的零样本检测器Grounding DINO与能够检测、分割一切的Grounded SAM。更多技术细节可戳文末链接。

整场大会干货满满

除此之外，IDEA大会上还重点分享了几个研究成果。

比如Think-on-Graph知识驱动大模型，简单来说就是将大模型与知识图谱结合。

大模型擅长意图理解和自主学习，而知识图谱因其结构化的知识存储方式，更擅长逻辑链条推理。

Think-on-Graph通过驱动大模型agent在知识图谱上“思考”，逐步搜索推理出最优答案（在知识图谱的关联实体上一步一步搜索推理）。每一步推理中，大模型都亲自参与，与知识图谱相互取长补短。

MoonBit月兔，这是由Wasm驱动，专为云计算与边缘计算设计的开发者平台。

它不仅提供通用程序语言设计，还整合了编译器、构建系统、集成开发环境（IDE）、部署工具等版块，来提升开发体验与效率。

此前发布的科研神器ReadPaper也更新至2.0，发布会现场演示了阅读copilot、润色copilot等新功能。

发布会最后，沈向洋发布《低空经济发展白皮书（2.0）——全数字化方案》，在其智能融合低空系统（Smart Integrated Lower Airspace System，SILAS）中，提出时空进程（Temporal Spatial Process）新概念。

T-Rex链接： https://trex-counting.github.io/

— 完 —