界面新闻记者 | 于浩

在国内外AI大模型技术加速更新迭代的当下，多模态大模型以其广泛的应用前景成为多方关注的焦点。如何将多模态大模型与产业相结合、与具体应用场景相结合，已成为重要课题。

5月30日，多模态大模型初创企业智子引擎发布了ChatImg2.0版本，在1.0版本上做出优化。于3月8日发布的1.0版本中，Chatimg可支持对多态输入信号的统筹理解，可对图像内容进行解读并判断其合理性。

据智子引擎CEO高一钊介绍，ChatImg2.0可支持语音输入、视频输入，并且可根据理解的内容做出推理。

他还提及，团队采用了公开的多模态对话数据集（LLaVa）进行评测，为ChatImg2.0与诸多开源模型分别给定90个问题，将问题、图像描述、待测模型回答结果和GPT4回答结果一起输入GPT3.5，让GPT3.5对比两个回答，分别给出分数（0-10分），最终得出90个问题上的总分。结果显示，ChatImg2.0在英文测评与中文测评中表现均优于其他开源模型。

在用户交互细节方面，ChatImg2.0还增加了多个一键体验功能，同时也支持用户自定义新功能，以此优化用户体验。

在应用场景方面，智子引擎与软通智慧合作，针对多模态大模型在城市社会治理领域的应用做出探索。软通智慧科技有限公司CTO杨旭青在回顾以往经验时表示，目前城市治理事件多、无法完全依靠数据化手段发现事件，而城市治理的工单并不够多，街道社区人员的效率也没有被充分发挥。

受益于多模态大模型的泛化能力，这一现状将会得到改善。据杨旭青介绍，基于通识大模型产品ChatImg，软通智慧通过与城市治理相关的专业数据训练，得到城市治理专用模型，再基于具体场景，如乱停车、乱摆摊等做精调形成场景模型，最终形成基于CV为主、NLP为辅的城市治理专属大模型，覆盖城市事件发现到处置的全环节。由于从部署几百个小模型变成了部署一个大模型，整个系统的复杂度、部署代价也会有所降低。 

此外，智子引擎还联合北京理工大学张伟民教授团队，以ChatImg为大脑、机器人部件为身体，共同打造了一款智能机器人“小象”。在演示视频中，该机器人可以完成在固定空间内自主移动寻找物品、为用户提供穿搭等方面的生活建议。

至于未来的发展方向，高一钊表示，智子引擎的核心发展战略是打造一个通用的多模态AI生成模型，支持多模态输入、多模态输出。目前团队成员已经在文生图、文生视频、多模态融合搜索等多个领域取得成果，后期将全部整合进元乘象ChatImg。