多模态 API

"凡是自然关联的事物都应该结合起来教授" - 约翰·阿莫斯·夸美纽斯，《感官世界图解》，1658年

人类通过多种数据输入模式同时处理知识。我们的学习方式、我们的经验都是多模态的。我们并不仅仅拥有视觉、听觉和文本。

与这些原则相反，机器学习通常专注于针对处理单一模态而量身定制的专业模型。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，以及用于目标检测和分类等任务的计算机视觉模型。

然而，一批新的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 Balklava 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) 的特性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

多模态是指模型能够同时理解和处理来自各种来源的信息，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 的所有必要抽象。

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其他内容，例如图像、音频和视频。MimeType 指定模态类型。根据使用的 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。

media 字段目前仅适用于用户输入消息（例如，UserMessage）。它对系统消息没有意义。AssistantMessage（包含 LLM 响应）仅提供文本内容。要生成非文本媒体输出，您应该使用一个专门的单模态模型。*

例如，我们可以将以下图片 (multimodal.test.png) 作为输入，并要求 LLM 解释它看到了什么。

Multimodal Test Image

对于大多数多模态 LLM，Spring AI 代码看起来像这样

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

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

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();

并生成类似以下的响应

这是一张水果碗的图片，设计简洁。碗是用金属制成的，边缘有弯曲的金属丝，形成开放的结构，可以从各个角度看到水果。碗里有两个黄色的香蕉放在看起来像是红色苹果的东西上面。香蕉略微过熟，从香蕉皮上的褐色斑点可以看出。碗顶部有一个金属环，可能是用来当作提手的。碗放在一个平面上，背景颜色中性，可以清楚地看到碗里的水果。

Spring AI 为以下聊天模型提供多模态支持