近日，英伟达研究团队发布了全新的 OmniVinci 全模态理解模型，该模型在多个全模态理解基准测试中，表现出色，超越了​英目前最顶尖的模型19.05分。更令人瞩目的是，OmniVinci 在训练过程中仅使用了0.2万亿的训练 Token，相较于竞争对伟达手的1.2万亿，其数据效率是其六倍。

OmniVinci 的核心目标是打造一个可以同时理解视觉、音频和文本的人工智能系统开源，使机器能够像人类一样，通过不同感官感知和理解复杂的世界。为了实现这一目标，研究团队不仅仅是简单地增加数据量，而是通过创新的网 O络架构和数据管理策略，成功实现了性能和效率的双重提升。

在设计上，OmniVinci 采用了全模态潜在空间的概念，旨在融合来自不同mn感官的信息，实现跨模态的理解与推理。研究团队发现，不同模态之间在感知和推理层面能够相互强化，这一发现为多模态 AI 系统的构建iV指明了方向。

OmniVinci 的架构设计具有可组合的跨模态理解能力，整合了图像、视频、音频和文本等异构输入。通过统一的全in模态对齐机制，该模型能够将不同模态的嵌入信息整合到一个潜在空间中，进一步输入到大语言模型（LLM）中。该机制包括三项ci关键技术，其中 OmniAlignNet 模块有效对齐视觉和音频信息，而时间嵌入分组和约束旋转时间嵌入则提升了模型对时间信息 全的理解。

为了培养 OmniVinci 的全模态理解能力，研究团队采用了两阶段的训练方法。首先是模态特定训练，接着进行全模态联模态合训练，利用隐式和显式学习数据，显著提升了模型的联合理解能力。

随着 OmniVinci 的发布，英伟达再次展示了其在人工智能领域的理解技术创新，预示着未来 AI 系统将更加智能、灵活。

github：https://github.com/NVlabs/OmniVi模型nci

划重点:

OmniVinci 模型在全模态理解基准测试中超越了顶尖模型19.05分。  

训练数据量仅为竞，训争对手的1/6，数据效率提升至六倍。  

采用创新架构和两阶段训练方法，显著提升模型的多模态理解能力练数。