Meta AI 公布了多项新的研究成果 包括4个可用的AI模型和2个额外的研究成果

Meta FAIR公开发布了多项新的研究成果、模型和数据集，旨在通过开放、合作和卓越的原则，推动AI领域的创新和应用。这些发布的内容包括图像到文本和文本到音乐生成模型、多令牌预测模型以及AI生成语音检测技术等。

更新内容包括4个新公开可用的AI模型和2个额外的研究成果。

1、Meta Chameleon：能同时理解和生成文本与图像的混合模态模型

• 能够结合文本和图像输入，并输出任意组合的文本和图像。
• 公布了Chameleon 7B和34B模型的关键组件，供研究使用。

Chameleon 是由Meta的FAIR团队开发的一系列早期融合的基于令牌的混合模态模型。它可以同时处理图像和文本，并且可以理解和生成这两种类型的数据。换句话说，它可以阅读文字和图片，也可以创作新的文字和图片。Chameleon 可以在处理过程中无缝地在不同的数据类型之间切换。这意味着它可以在生成一段文字后，接着生成一张相关的图片，或者在描述一张图片的同时生成相关的文字。

它通过把图像和文字分解成小块（令牌），然后在一个统一的系统（transformer架构）中处理这些小块，实现了在图像和文字之间的无缝转换和理解。这使得它在许多需要同时处理图像和文字的应用中表现非常出色。

详细介绍：https://xiaohu.ai/p/8364

论文：https://arxiv.org/pdf/2405.09818

2、多令牌预测模型：

• 提出了新的训练方法，可以同时预测多个未来词汇，提升模型能力和训练效率。
• 发布了预训练模型供研究使用。

这是一种新的训练大型语言模型的方法，即通过预测多个未来标记来提高模型的效率和性能。这里的“标记”指的是词或者词组成分，而传统的模型通常只预测下一个标记。研究发现，让模型同时预测接下来的多个标记，可以帮助模型更好地学习和理解语言，从而在各种任务，特别是编程和自然语言处理任务上表现更好。

主要的改进点包括：

• 更高的样本效率：模型通过预测多个标记，而不仅仅是下一个标记，可以更有效地学习数据，提高了训练的效率。
• 推理速度快：在实际使用中，这种方法可以使模型的推理速度提高三倍，这对于需要快速响应的应用尤为重要。
• 更好的性能：在编程和自然语言的基准测试中，这种方法训练的模型能解决更多的问题，表现出更强的性能。

简而言之，这项研究通过改变训练语言模型的方式，显著提升了模型处理大规模数据的能力和效率。

详细介绍：https://xiaohu.ai/p/7760

论文：https://arxiv.org/pdf/2404.19737

模型下载：https://huggingface.co/facebook/multi-token-prediction

3、JASCO 音乐生成模型

• 一种新的文本到音乐生成模型，能够接受多种输入条件（如特定和弦或节拍）来改进生成音乐的控制。
• 研究论文和示例页面已发布，推后将发布推理代码和预训练模型。

JASCO是一个可以将文本转换为音乐的生成模型。它由希伯来大学和Meta AI的研究人员共同开发，旨在通过结合符号（如和弦、旋律）和音频（如鼓音轨、混音）条件来生成高质量的音乐。

功能介绍

1. 文本描述生成音乐：JASCO可以根据用户输入的文本描述生成对应风格的音乐。例如，输入“80年代驾驶流行歌曲，电子鼓和合成器垫在背景中”，它会生成符合这种描述的音乐。
2. 局部和全局控制：该模型允许对音乐进行细粒度的控制，比如指定和弦、旋律或者鼓音轨。同时，它也可以根据全局的文本描述生成音乐，使得音乐的生成既有整体风格的把握，又有具体元素的精准控制。
3. 多种条件组合：ASCO可以处理多种条件组合，比如同时控制和弦和鼓音轨，以生成更复杂、更符合用户需求的音乐。

例如：你可以告诉JASCO你想要什么样的音乐，比如“一首有电子鼓和合成器垫背景的80年代流行歌曲”。然后，JASCO会根据你的描述生成一段符合这种风格的音乐。

不仅如此，你还可以对音乐的细节进行控制，比如指定某段时间内的和弦变化或者添加特定的鼓点。这样，你不仅能得到一段符合整体描述的音乐，还能在音乐的具体细节上达到你的要求。

项目地址：https://pages.cs.huji.ac.il/adiyoss-lab/JASCO/

4、AudioSeal：音频水印模型

• 一种专门用于检测AI生成语音的音频水印技术，提升了检测速度和效率。
• 发布了模型和训练代码。

AudioSeal是一种为AI生成的语音添加水印的技术。旨在确保生成的语音在经过编辑后仍能被检测到水印。它的主要特点是高鲁棒性和极快的检测速度，非常适合大规模和实时应用。

功能介绍

1. 水印生成：AudioSeal生成器可以在音频信号中嵌入水印。这些水印不仅能标识音频来源，还能包含一个16位的秘密消息。
2. 水印检测：AudioSeal检测器可以检测音频中的水印，并在每个样本（每1/16k秒）中输出水印存在的概率。即使音频经过多种编辑（如剪切、混音），它仍能可靠地检测到水印。
3. 鲁棒性和速度：AudioSeal在信号质量变化不大的情况下，对多种类型的音频编辑具有高度的鲁棒性。其检测速度比现有的同类模型快两个数量级，适合大规模和实时应用。

例如：你使用AI生成了一段语音或音乐。你希望确保这段作品不会被未经授权的使用或篡改。AudioSeal可以帮助你在作品中嵌入一个看不见的“签名”（水印）。即使有人对你的作品进行编辑，AudioSeal的检测器仍能迅速识别出这个“签名”，并确认作品的来源和完整性。这不仅保护了你的版权，还能跟踪作品的传播和使用情况。

项目地址：https://github.com/facebookresearch/audioseal

5、PRISM数据集：

• 包含来自75个国家的1500名参与者的社会人口统计数据和偏好反馈，旨在提高LLM的反馈多样性和包容性。
• 研究报告展示了PRISM在对话多样性、偏好多样性和福利结果方面的应用。

PRISM Alignment Project 是一个研究项目，旨在通过人类反馈来改进大型语言模型（LLMs）的对齐方式。该项目通过收集来自不同国家和文化背景的参与者对LLMs的反馈，来了解这些模型在主观和多文化背景下的表现。

主要功能

1. 广泛的地理和人口参与：PRISM 收集了来自75个国家的1500名参与者的反馈，这些参与者在8,011次对话中与21个LLMs互动。这些反馈帮助研究人员了解不同背景的人对LLMs的不同期望和偏好。
2. 细化的个性化反馈：每个参与者的反馈都链接到详细的个人档案，这样研究人员可以探索个性化和样本特征的影响。这有助于研究个体化和文化背景如何影响对LLMs的反馈。
3. 多样化和有争议的话题：PRISM 专注于收集关于价值观和有争议话题的对话，这些话题通常在不同人群和文化间存在较大分歧。通过这种方式，研究人员可以更好地理解和改进LLMs在处理复杂和敏感话题时的表现。
4. 实证案例研究：项目通过三种案例研究展示了PRISM的实用性：对话多样性、偏好多样性和福利结果。这些研究表明，参与反馈的人的背景和观点对LLMs的对齐标准有显著影响。

PRISM 项目就像一个全球性的意见收集平台，收集来自世界各地的人们对AI聊天机器人的看法和反馈。通过让不同背景的人与这些AI模型对话，PRISM 可以了解到哪些模型表现得更好，以及哪些方面需要改进。

数据集组成

• Conversations（8.01k行）：记录了用户与LLMs的对话，每次对话包含多个回合的交互，详细描述了对话内容和模型提供的响应。
• Metadata：包括对话的元数据，如对话ID、用户ID、对话类型等。
• Survey（1.5k行）：包含用户对对话的反馈和评分，用于评估模型的表现。
• Utterances（68.4k行）：具体的对话轮次，包括用户和模型的每次发言内容。

论文：https://arxiv.org/pdf/2404.16019

数据集：https://huggingface.co/datasets/HannahRoseKirk/prism-alignment

6、衡量和改善文本到图像生成系统中的地理差异

• 开发了“DIG In”自动指标来评估文本到图像模型的地理差异。
• 探索了提高文本到图像生成模型输出多样性的方法。

这项研究的核心目的是确保AI生成的图像能真实反映不同地区的文化和地理特征。为此，专门开发了一个名为“DIG In”的工具，可以自动评估图像生成的地理差异。进行了大规模调查，了解不同地区的人们如何看待这些图像。

1. DIG In自动指标：
   • 开发了一种名为“DIG In”的自动指标，用于评估文本到图像模型可能存在的地理差异。这些指标帮助识别不同地理区域在图像生成质量上的差异。
2. 大规模注释研究：
   • 为了理解不同地区的人们对地理表示的感知差异，进行了大规模的注释研究。收集了超过65,000条注释，每个示例收集了超过20条调查回应，涵盖了吸引力、相似性、一致性等方面，并为改进文本到图像模型的自动和人工评估提供了共享建议。

什么是DIG-In？

DIG-In是一个用于评估生成图像在地理区域之间质量、多样性和一致性差异的库。该库由Facebook Research开发，旨在通过使用GeoDE和DollarStreet作为参考数据集，测量文本到图像生成模型的差异。

主要功能

1. 生成图像评估：通过一系列脚本生成与特定提示对应的图像，并对这些图像进行评估，以确定不同地理区域间的差异。
2. 特征提取：使用InceptionV3和CLIPScore模型提取生成图像的特征，并将这些特征保存为Pickle文件。
3. 计算指标：使用提取的特征计算一系列指标，包括精度、召回率、覆盖率和密度（PRDC），以及CLIPScore指标。这些指标用于评估图像生成模型在不同地理区域间的表现。

使用方法

1. 生成图像：使用CSV文件中的提示生成图像，每个CSV文件对应一个文件夹，文件夹中的每张图像按照指定的命名方案保存。
2. 提取特征：将生成的图像传入脚本中，提取图像特征并保存为Pickle文件。
3. 计算指标：使用保存的特征文件计算指标，并生成包含精度、召回率、覆盖率和密度等指标的CSV文件。

想象你有一个AI模型，可以根据描述生成图像。你想知道这个模型在不同国家生成的图像是否有差异，DIG-In可以帮你完成这个任务。它会生成图像、提取图像特征，并计算出图像质量和一致性的指标，帮助你评估和改进模型。

论文：https://arxiv.org/pdf/2405.04457

GitHub：https://github.com/facebookresearch/DIG-In

Meta 官方介绍：https://ai.meta.com/blog/meta-fair-research-new-releases/