Spring AI 多模态框架抽象详解并接入Ollama演示多模态示例_ollama部署多模态

前面的文章介绍的基本上都是单一数据格式的输入处理，比如输入文本输出文本的Chat模型、输入文本输出图片的图片模型、输入文本输出音频的模型等。本篇文章将介绍如何实现同时处理多种类型的数据格式？

什么是多模态

多模态是指模型同时理解和处理来自各种来源的信息的能力，包括文本、图像、音频和其他数据格式。

人类同时处理多种数据输入模式的知识。我们的学习方式，我们的经验都是多模态的。我们不仅有视觉，只有音频和文本。

现代教育之父约翰·阿莫斯·夸美纽斯在其著作中提到;

“All things that are naturally connected ought to be taught in combination”
“所有自然联系的事物都应该结合起来教授”

但是机器学习方法通常集中在为处理单一模式而量身定制的专用模型上。与人类的学习行为是相反的，然而新一波的多模态大型语言模型开始出现。多模态大型语言模型 （LLM） 功能使模型能够与其他模态（如图像、音频或视频）一起处理和生成文本。

Spring AI 集成哪些多模态大模型

• OpenAI
  • gpt-4-visual-preview
  • gpt-4o
• Google Vertex AI Gemini Pro Vision
• Anthropic Claude3
• Ollama LLaVA
• Ollama balklava

Spring AI 多模态抽象框架

Spring AI Message API 提供了支持多模态的所有必要抽象，抽象架构如下；

消息 Message 的 content 字段主要用作文本输入，而可选 media 字段允许添加一个或多个不同模式的附加内容，例如图像、音频和视频。指定 MimeType 模态类型。根据使用LLMs的内容，媒体的数据字段可以是编码的原始媒体内容，也可以是内容的 URI。

但是需要注意：media 字段目前仅适用于用户输入消息（例如， UserMessage ）

Spring AI 接入Ollama 实现多模态示例

目前OpenAI 大模型仅 gpt-4-visual-preview 和 gpt-4o 两个模型支持多模态，本人目前没有办法获取到两个模型可使用的OpenAI Key，所有使用替代的方案，使用Ollama跑一个本地 LLaVA 大模型进行代码演示。

引入ollama依赖包

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
</dependency>

1
2
3
4
5

配置

spring:
  ai:
    ollama:
      base-url: http://localhost:11434 # ollama地址
      chat:
        model: llava:7b #指定模型名称

1
2
3
4
5
6
7

代码

实现场景：让大模型描述一下图片的内容是什么？

package org.ivy.controller;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.messages.Media;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.util.MimeTypeUtils;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

import java.util.List;

@RestController
public class MultiModalityController {

    @Value("classpath:img.png")
    private org.springframework.core.io.Resource imageResource;

    private final OllamaChatModel ollamaChatModel;

    public MultiModalityController(OllamaChatModel ollamaChatModel) {
        this.ollamaChatModel = ollamaChatModel;
    }

    @GetMapping("multi")
    public String multiModality(@RequestParam(defaultValue = "Explain what do you see on this picture?") String text) {
        ChatClient chatClient = ChatClient.builder(ollamaChatModel).build();
        var userMessage = new UserMessage(text, List.of(new Media(MimeTypeUtils.IMAGE_PNG, imageResource)));
        return chatClient.prompt(new Prompt(List.of(userMessage)))
                .call()
                .content();
    }

}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

验证效果

由于使用本地机器运行的大模型，电脑配置原因返回结果比较慢。

总结

本文简单的对大模型的多模态进行认识，并使用Spring AI 接入 Ollama 调用 llava:7b 模型，对多模态进行实现并演示。下一篇文章将讲解如何在本地部署一个属于自己的大模型。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。