今日凌晨，Mistral AI 发布了最新开源多模态模型 Pixtral Large，该模型基于 Mistral Large 2 构建，展示出强大的图像理解能力，能够理解文档、图表和自然图像，同时还保持了 Mistral Large 2 优秀的纯文本理解能力。
据介绍，该模型具有强大的多模态性能，在 MathVista、DocVQA、VQAv2 上达到了 SORA，能够在不影响文本性能的前提下对 Mistral Large 2 进行扩展并具有 123B 多模态解码器、1B 参数视觉编码器以及 128K 的上下文窗口。
同时，他们的 AI 聊天助手 le Chat 也新增了网页搜索、画布、文件理解和图像生成等功能。
最新基础模型 Pixtral Large
Mistral AI 通过一套通用测试工具，在一组标准多模态基准上将 Pixtral Large 与前沿模型进行比较。他们使用 MathVista 评估模型在视觉数据的复杂数学推理方面的性能，在这项测试中，Pixtral Large 实现了 69.4% 的准确率，优于所有其他模型。为了评估复杂图表和文档的推理能力，他们使用 ChartQA 和 DocVQA 评估性能，结果显示 Pixtral Large 超越了 GPT-4o 和 Gemini-1.5 Pro。
图｜在使用 MathVista、ChartQA 和 DocVQA 评估性能时，Pixtral Large 均优于其他模型。
最后，Pixtral Large 在 MM-MT-Bench 上展示了具有竞争性的能力，表现优于 Claude-3.5 Sonnet（新版）、Gemini-1.5 Pro 和 GPT-4o（最新版）。MM-MT-Bench 是一种开源的、基于评判的评估，旨在反映多模态 LLM 的实际用例。
图｜Pixtral Large 在 MM-MT-Bench 上展示了竞争性能力。
以下是 Pixtral Large 的一些能力展示：
多语言 OCR 和推理
提示（Prompt）：
我买了咖啡和香肠。我需要付多少钱？加上 18% 的小费。
回复：
要计算出你需支付的总金额（包含 18% 的小费），请按以下步骤操作：
1.计算咖啡和香肠的费用：
2.计算 18% 的小费：
3.将小费加到总费用上：
所以，你总共需支付 36.58 瑞士法郎。
图表理解
提示：
dark dragon 项目何时开始出现问题？
回复：
“dark-dragon-50” 模型的训练损失在大约 10,000 步时开始呈现出明显的不稳定状态。此时损失值出现了显著的峰值，并且这种不稳定状态持续，在大约 20,000 步时又出现了一个较大的峰值。这些峰值表明“dark-dragon-50” 模型的训练过程从大约 10,000 步时开始遇到问题。
图像理解
提示：
哪些公司使用由 Mistral AI 制作的模型？
回复：
如图所示，使用由 Mistral AI 制作的模型的公司有：
1.法国巴黎银行（BNP Paribas）
2.Brave
3.Cloudflare
4.CMA CGM
5.Front
进一步对标 ChatGPT
Mistral AI 已开始着力于人工智能交互界面的投入，首先他们对 le Chat 进行了一些重大更新。Le Chat 是 Mistral AI 推出的免费生成式人工智能办公助手。
以下是 le Chat（测试版）新能力的简要概述：
带引文的网页搜索
用于构思、在线编辑和导出的 Canvas
SOTA 文档和图像理解技术，由 Pixtral Large 提供支持
由 Black Forest Labs 的 Flux Pro 提供支持的图像生成功能
从模型到输出的全集成式服务
通过推测性编辑实现更快的响应
以下是 le Chat 与当今市场上领先的聊天和搜索助手的比较：
具体而言：
网页搜索
le Chat 的大部分用户来自学生和专业人士，他们将其用于学习、研究和工作。为了更好地促进这些用例，Mistral AI 通过互联网搜索增强了 le Chat 的训练知识。
视频｜这是一位营销队友使用它来评估医疗保健领域的人工智能市场的实例。
Canvas 画布
Canvas 是一个新的界面，当用户需要超越对话并进行构思时，它会弹出到用户的 le Chat 窗口中。它使用户能够与 Mistral LLM 合作完成共享输出，从而实现知识工作的 0-1 创作和构思。
Canvas 不再局限于双向对话，借助 LLM 强大的推理能力，可以直接修改、编辑或转换内容。
视频｜Mistral LLM 为准备推出 Canvas 而创建产品指标仪表板的反应模型的视频。
用户可以使用 Canvas 创建文档、演示文稿、代码、模型……等等。可以就地修改其内容而无需重新生成响应、版本控制草稿并预览设计。Canvas 可以让任何团队发挥无限的创意。
快速准确的文档理解
Le Chat 现在可以处理大型、复杂的 PDF 文档和图像，进行分析和总结。只需将文档附加到聊天栏，即可了解所有内容——图形、表格、图表、文本、公式、方程式……基本上是整个文档。
这些功能是由新的 Pixtral Large 实现的，与实验模型结合使用比之前的视觉模型 Pixtral 12B 强大得多。
视频｜展示了对爱因斯坦、波多尔斯和罗森在 1935 年撰写的著名量子纠缠论文的信息提取、总结和语义理解。
图像生成
Mistral AI 与 Black Forest Labs 合作，将后者领先的图像生成模型引入 le Chat。现在，用户可以直接在 le Chat 中生成高质量的图像。
智能体
如果用户会重复使用某些提示内容，或者已经确定了某些希望能实现自动化的创意工作模式，那么用户可以将这些工作流程编写成智能体（agents）。常见的应用场景包括为费用报销进行收据扫描、为冗长的会议纪要生成摘要，以及发票处理等。
这些智能体可以发布并分享给团队成员。用户可以反复进行构思，构建功能愈发强大的智能体，以帮助自己更高效地完成工作。
整理：阮文韵
如需转载或投稿，请直接在公众号内留言
