AssistGPT：可规划、执行、检查和学习的通用多模态助理

349 0 0

AssistGPT: A General Multi-modal Assistant that can Plan, Execute, Inspect, and Learn

Difei Gao, Lei Ji, Luowei Zhou, Kevin Qinghong Lin, Joya Chen, Zihan Fan, Mike Zheng Shou
[National University of Singapore & Microsoft Research Asia]

要点:

动机：解决复杂的视觉任务在多模态场景下的挑战，包括难以准确分解查询、灵活的输入和中间结果。
方法：提出一个多模态AI助手系统AssistGPT，采用Plan、Execute、Inspect和Learn（PEIL）的交叉代码和语言推理方法，结合LLM和各种工具。
优势：AssistGPT能够处理复杂的视觉相关任务，具有灵活的推理方式和多模态能力，在A-OKVQA和NExT-QA基准测试中取得了最先进的结果。

介绍了一个名为AssistGPT的多模态AI助手系统，通过交叉代码和语言推理方法解决了复杂视觉任务的挑战，并在基准测试和实际应用中展示了其有效性。

https://arxiv.org/abs/2306.08640

AssistGPT：可规划、执行、检查和学习的通用多模态助理