多模态

多模态

人类能够同时处理多种数据输入模式的知识。我们的学习方式和经验都是多模态的。我们拥有的不仅仅是视觉、听觉和文本。

与这些原则相反，机器学习通常专注于为处理单一模态而定制的专用模型。例如，我们开发了用于文本转语音或语音转文本等任务的音频模型，以及用于对象检测和分类等任务的计算机视觉模型。

然而，新一波多模态大型语言模型开始涌现。例如，OpenAI 的 GPT-4o、谷歌的 Vertex AI Gemini 1.5、Anthropic 的 Claude3，以及开源产品 Llama3.2、LLaVA 和 BakLLaVA，它们能够接受多种输入，包括文本、图像、音频和视频，并通过集成这些输入来生成文本响应。

Spring AI 多模态

多模态性是指模型同时理解和处理来自各种来源的信息的能力，包括文本、图像、音频和其他数据格式。

Spring AI Message API 提供了支持多模式 LLM 所需的所有抽象。

UserMessage 的 content 字段主要用于文本输入，而可选的 media 字段允许添加一个或多个不同模态的附加内容，例如图像、音频和视频。MimeType 指定模态类型。根据所使用的 LLM，Media 数据字段可以是作为资源对象的原始媒体内容，也可以是指向该内容的 URI。

media 字段目前仅适用于用户输入消息（例如 UserMessage）。它对系统消息无效。包含 LLM 响应的 AssistantMessage 仅提供文本内容。要生成非文本媒体输出，您应该使用专用的单模态模型。

例如，我们可以将下图（multimodal.test.png）作为输入，并要求 LLM 解释它所看到的内容。

对于大多数多模式 LLM，Spring AI 代码看起来像这样：

var imageResource = new ClassPathResource("/multimodal.test.png");

var userMessage = new UserMessage(
  "Explain what do you see in this picture?",
  new Media(MimeTypeUtils.IMAGE_PNG, this.imageResource));

ChatResponse response = chatModel.call(new Prompt(this.userMessage));

或者使用流畅的ChatClient API：

String response = ChatClient.create(chatModel).prompt()
    .user(u -> u.text("Explain what do you see on this picture?")
            .media(MimeTypeUtils.IMAGE_PNG, new ClassPathResource("/multimodal.test.png")))
    .call()
    .content();

并产生如下响应：

这幅图是一个设计简约的水果碗。碗由金属制成，边缘由弯曲的金属丝构成，形成一个开放式结构，使水果从各个角度都能清晰可见。碗内，两根黄色的香蕉放在一个看起来像红色苹果的东西上面。香蕉皮上的棕色斑点表明它们略微熟透了。碗的顶部有一个金属环，可能是用作提手的。碗被放置在一个平面上，背景为中性色，可以清晰地看到里面的水果。