字節推出了一種新的大模型，名為 BuboGPT，BuboGPT 是一種先進的大型語言模型（LLM），能夠將文本、圖像和音頻等多模態輸入進行整合，并具有將回復與視覺對象進行對接的獨特能力。它展示了在對齊或未對齊的任意圖像音頻數據理解方面的出色對話能力。

通過文字描述、圖像定位和聲音定位，BuboGPT 可以準確判斷聲音來源，即使音頻和圖像之間沒有直接關系，也可以合理描述兩者之間的可能關系。

相比其他多模態大模型，BuboGPT 利用文本與其他模態之間的豐富信息和明確對應關系，提供了對視覺對象及給定模態的細粒度理解。

為了實現多模態理解，BuboGPT 使用了一個共享的語義空間，并構建了一個視覺定位 pipeline，其中包括標記模塊、定位模塊和實體匹配模塊。

通過語言作為橋梁，BuboGPT 能夠將視覺對象與其他模態連接起來。研究人員還展示了 BuboGPT 在圖像描述、聲音來源識別等方面的能力，并開源了代碼和數據集，發布了可玩的 demo。

BuboGPT核心功能:

1、多模態理解: BuboGPT 實現了文本、視覺和音頻的聯合多模態理解和對話功能。

2、視覺對接: BuboGPT 能夠將文本與圖像中的特定部分進行準確關聯，實現細粒度的視覺對接。

3、音頻理解: BuboGPT 能夠準確描述音頻片段中的各個聲音部分，即使對人類來說一些音頻片段過于短暫難以察覺。

4、對齊和非對齊理解: BuboGPT 能夠處理匹配的音頻 - 圖像對，實現完美的對齊理解，并能對任意音頻 - 圖像對進行高質量的響應。