蘋(píng)果ReALM模型在實(shí)體識(shí)別測(cè)試中超越OpenAI GPT-4.0

4月2日?qǐng)?bào)道，盡管Siri在描述圖片信息的能力上不夠完善，但蘋(píng)果公司并未停止對(duì)人工智能領(lǐng)域的深入探索。其最新研究論文詳述了一種大幅提升Siri智能化水平的模型——ReALM。該模型在測(cè)試中超越了OpenAI的GPT-4.0著名語(yǔ)言模型。

據(jù)悉，ReALM的獨(dú)特特性是同時(shí)理解用戶屏幕內(nèi)容及正在執(zhí)行的操作。依據(jù)信息類型，論文將信息細(xì)分成三類：

（1）屏幕實(shí)體： 即當(dāng)前顯示在用戶屏幕上的內(nèi)容。

（2）對(duì)話實(shí)體： 指與對(duì)話相關(guān)的內(nèi)容。如，用戶請(qǐng)求“撥打母親的電話”，那么，母親的聯(lián)系信息便屬于此類。

（3）背景實(shí)體： 與用戶當(dāng)前操作或屏幕顯示內(nèi)容未必直接相關(guān)的實(shí)體，如正在播放的音樂(lè)或即將發(fā)出的報(bào)警鈴聲。

一旦成功實(shí)現(xiàn)，ReALM將賦予Siri更高的智能化和實(shí)用性。該團(tuán)隊(duì)將ReALM與OpenAI的GPT-3.5和GPT-4.0進(jìn)行了性能比拼：

“我們以上下文信息作為輸入，對(duì)比了OpenAI的GPT-3.5和GPT-4.0模型預(yù)測(cè)實(shí)體的準(zhǔn)確程度。由于GPT-3.5僅支持文本輸入，故我們僅提供文字提示；而GPT-4允許理解圖片信息，所以我們給它提供了屏幕截圖，從而有效提高了屏幕實(shí)體識(shí)別的效率?！?/p>

那蘋(píng)果的ReALM是否具備如此強(qiáng)大的性能優(yōu)勢(shì)呢？

“我們的模型在識(shí)別各種類型實(shí)體方面都有顯著提升，即使是小尺寸模型，在屏幕實(shí)體識(shí)別準(zhǔn)確性上也已超過(guò)原有的系統(tǒng)5%以上。在與GPT-3.5和GPT-4.0的比較中，小型模型與GPT-4.0相媲美；更大的模型則表現(xiàn)更佳。”

論文得出的結(jié)論之一便是，有比GPT-4參數(shù)少許多的ReALM，卻仍可在性能上與之匹敵。在處理某些特定領(lǐng)域的用戶指令時(shí)，ReALM甚至優(yōu)于其他模型，使其成為一款高效、實(shí)用且可本地運(yùn)行的實(shí)體識(shí)別系統(tǒng)。

而關(guān)鍵問(wèn)題在于，蘋(píng)果需尋求無(wú)損性能的方法來(lái)將此技術(shù)運(yùn)用至設(shè)備之中。據(jù)了解，預(yù)計(jì)6月10日舉行的WWDC 2024開(kāi)發(fā)者大會(huì)上，蘋(píng)果將會(huì)在iOS 18等新系統(tǒng)中展現(xiàn)更多人工智能技術(shù)創(chuàng)新成果，令人頗為期待。