多模态 API

“所有自然连接的事物都应该结合起来教授”——约翰·阿莫斯·夸美纽斯，《感官世界图》，1658

人类同时通过多种数据输入模式处理知识。我们学习的方式，我们的经验都是多模态的。我们不仅仅拥有视觉、听觉和文本。

与这些原则相反，机器学习通常专注于针对单一模态处理的专用模型。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、Google 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，并通过整合这些输入生成文本响应。

多模态大型语言模型（LLM）功能使模型能够结合其他模态（如图像、音频或视频）处理和生成文本。

Spring AI 多模态

多模态指的是模型同时理解和处理来自各种来源信息的能力，包括文本、图像、音频和其他数据格式。

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

Spring AI Message API

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 Resource 对象的原始媒体内容，也可以是内容的 URI。

目前，媒体字段仅适用于用户输入消息（例如，UserMessage）。它对系统消息不重要。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、单一模态模型。*

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

Multimodal Test Image

对于大多数多模态 LLM，Spring AI 代码将类似于这样

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

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

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();

并产生类似这样的响应

这是一张带有简单设计的果盘图片。果盘由金属制成，边缘是弯曲的铁丝，形成了一个开放的结构，使得水果可以从各个角度看到。果盘内，有两根黄色香蕉放在一个似乎是红苹果的上面。香蕉略微过熟，这可以通过它们皮上的棕色斑点看出。果盘顶部有一个金属环，可能用作提手。果盘放在一个中性背景的平面上，可以清晰地看到里面的水果。

Spring AI 为以下聊天模型提供多模态支持

© . This site is unofficial and not affiliated with VMware.