天工大模型登頂多模態(tài)榜單！解決幻覺、跨語言兩大難題

　　本文來自于微信公眾號 量子位 (ID:QbitAI)，作者:豐色。

　　國產(chǎn)大模型，登頂多模態(tài)榜單!

　　昆侖萬維最近在大模型圈可謂“風(fēng)生水起”。

　　幾天前剛被曝挖來了AI大牛顏水成，出任天工智能聯(lián)席CEO。

　　現(xiàn)在，其「天工」大模型Skywork-MM又登頂多模態(tài)榜單，在騰訊優(yōu)圖實驗室聯(lián)合廈門大學(xué)開展的多模態(tài)大語言模型(Multimodal Large Language Model，簡稱“MLLM”)測評中，綜合得分排名第一。

　　騰訊優(yōu)圖實驗室聯(lián)合廈門大學(xué)在新建的評測基準(zhǔn)MME上首次對全球范圍內(nèi)MLLM模型進行了全面定量評測并公布了16個排行榜，包含感知、認(rèn)知兩個總榜單以及14個子榜單。

　　MME數(shù)據(jù)集是一個最近發(fā)布的多模態(tài)語言模型測評基準(zhǔn)。

　　它通過大型多模態(tài)語言模型在涵蓋感知和認(rèn)知任務(wù)的14個子任務(wù)上的表現(xiàn)來全面評估模型。

　　而Skywork-MM只用了不到50M的圖文數(shù)據(jù)——遠(yuǎn)小于其他大模型(>100M)，拿下了第一(榜單地址見文末)。

　　如何做到?

　　主要是解決了現(xiàn)有多模態(tài)大模型中頗為困擾的兩大問題:

　　幻覺和較弱的跨語言能力。 多模態(tài)兩大難

　　所謂幻覺，是指多模態(tài)大模型在回答問題時，傾向于肯定的答案，即使我們所給的問題中根本沒有相關(guān)特征。

　　例如面對下面這張圖像。

　　如果問它“這個男人的頭發(fā)是什么顏色?”，即使優(yōu)秀如LLaVA、MiniGPT-4等多模態(tài)大模型，也會“睜著眼說瞎話”:黑色。

　　再如這張圖片:一個玻璃杯、一個茶杯、一個浴缸里面有條小金魚。

　　如果問它“圖片中的所有物品都是黃色的嗎?”，沒有誰能答對。

　　至于跨語言能力問題，主要表現(xiàn)在應(yīng)對中文場景中的問題回答不盡如人意。

　　比如辨認(rèn)下面這張圖片是“科羅拉多大峽谷還是蘇州園林”時，3個雙語多模態(tài)語言模型:LLaVA、 LLaVA-Chinese、ImageBind-LLm全部回答成前者。

　　問它們從哪里能觀賞到該景色，就更是一言難盡了。

　　甚至有時，模型還會直接回復(fù)純英文。

　　這兩大問題嚴(yán)重影響著現(xiàn)有多模態(tài)大模型的性能。

　　怎么解決? 三方面入手

　　昆侖萬維天工大模型Skywork-MM從分別從數(shù)據(jù)、模型和訓(xùn)練流程三方面入手。

　　其中重點是數(shù)據(jù)和模型。

　　先看數(shù)據(jù)。

　　首先對于幻覺問題。

　　從本質(zhì)出發(fā)，該問題主要是整個模型訓(xùn)練過程中使用的數(shù)據(jù)太偏重正樣本。

　　也就是說，模型描述的都是圖片中有什么，而沒有學(xué)習(xí)圖片中沒有什么。

　　如果訓(xùn)練過程中再碰上弱相關(guān)的圖文數(shù)據(jù)，模型就更加放飛聯(lián)想、形成較嚴(yán)重的幻覺。

　　為此，天工大模型多模態(tài)團隊提出以圖像為中心，喂給模型既包含正樣本也包含負(fù)樣本的多模態(tài)指令微調(diào)數(shù)據(jù):

　　這使得模型既能夠?qū)W習(xí)一張圖像中存在的視覺特征，也能學(xué)習(xí)到不存在的特征。

　　這樣，模型的指令跟隨能力便得到增強:問什么答什么，沒有的也不胡編。

　　其次，對于跨語言中的中文問題，一共有兩個解決思路:

　　(1)增強中文的指令追隨能力。

　　由于“微調(diào)指令的文化gap很小”，只需將上面解決幻覺問題中構(gòu)造的英文指令微調(diào)數(shù)據(jù)翻譯成中文使用。

　　(2)增強中文相關(guān)場景的識別能力。

　　需要注意的是，在解決跨語言問題時，我們重點關(guān)注的點是文化偏差——

　　即通用的視覺特征和語言特征可以通過共有的語料進行關(guān)聯(lián)，但是各個語言文化中專有的視覺特征和語言特征的關(guān)聯(lián)需要大量特殊學(xué)習(xí)。

　　因此我們需要加入大規(guī)模的中文圖像-文本對數(shù)據(jù)。

　　不過，這樣的中文語料并不好收集，一是囿于數(shù)據(jù)質(zhì)量，而是困于數(shù)量。

　　怎么辦?

　　引出Skywork-MM在模型架構(gòu)上的改進。

　　為了不讓低質(zhì)量的圖文數(shù)據(jù)影響模型效果，天工大模型多模態(tài)團隊在設(shè)計上選擇將視覺模型和大語言模型完全凍結(jié)。

　　這樣做的目的是保持視覺模型在前置CLIP訓(xùn)練中學(xué)習(xí)到的視覺特征不損失，以及大語言模型的語言能力不損失。

　　同時，為了更好的關(guān)聯(lián)不同文化環(huán)境中的視覺特征和語言特征，模型整體包含了一個可學(xué)習(xí)的視覺特征采樣器和語言模型的LoRA適配器。

　　如下圖所示，Skywork-MM一共包含四大模塊:

　　給定一張圖像，LVM先提取圖像特征，然后將圖像特征輸入到重采樣器中，計算出可為LLM輸入的token。

　　LLM接收token和指令提示(如果有)，然后輸出圖像描述或?qū)�問題的回答。

　　至于訓(xùn)練流程，主要分為兩階段:

　　第一階段使用雙語的大規(guī)模圖文對數(shù)據(jù)進行圖像概念和語言概念的關(guān)聯(lián)學(xué)習(xí)。

　　第二階段使用多模態(tài)微調(diào)數(shù)據(jù)進行指令微調(diào)。

　　此時，各種類型的指令微調(diào)數(shù)據(jù)(包括正樣本和負(fù)樣本)就組成統(tǒng)一的Chat Prompt形式。

　　Ps. 上圖中的重采樣器和LoRA適配器標(biāo)記了火焰，它們是可訓(xùn)練的。 登頂MME綜合榜單

　　如下表所示，Skywork-MM一共用了大約50M圖文數(shù)據(jù)，這比當(dāng)前的同類大模型都要少得多。

　　但經(jīng)過以上數(shù)據(jù)、模型和訓(xùn)練流程三方面的改進，Skywork-MM效果拔群。

　　如下圖所示:

　　它能夠準(zhǔn)確理解圖片中的反常行為;

　　也能聽明白一些特殊的指令(根據(jù)選項回答問題，根據(jù)風(fēng)景寫詩，寫廣告詞，寫獲獎感言等等);

　　對于中文場景問題，表現(xiàn)得也不再像個“歪果仁”了。

　　可謂擁有了良好的指令跟隨和中文場景問答能力。

　　因此像第一段展示的那些幻覺和跨語言問題，它完全可以信手拈來:

　　孟非沒有頭發(fā)就沒有，不會說成黑色;蘇州園林、非誠勿擾節(jié)目一眼認(rèn)出;三個物體沒有一個是黃色。

　　而如開頭所示，在與其他模型的橫向測試中，Skywork-MM直接榮登MME榜單綜合第一，包括感知榜單第一(且與第二名有著43分的差距)、認(rèn)知榜單第二。

　　這個榜單大約今年6月上線、目前GitHub4k標(biāo)星，是當(dāng)前多模態(tài)大模型最新的測評基準(zhǔn)之一。

　　它一共包含14個子任務(wù)，其中感知任務(wù)除OCR，還包括粗粒度和細(xì)粒度對象識別，前者識別對象的存在與否、數(shù)量、位置和顏色;后者識別電影海報、名人、場景、地標(biāo)和藝術(shù)品。

　　認(rèn)知任務(wù)則包括常識推理、數(shù)值計算、文本翻譯和代碼推理。

　　下表顯示Skywork-MM在該榜單感知任務(wù)中的OCR+粗粒度識別上的具體得分:

　　細(xì)粒度識別得分:

　　以及認(rèn)知任務(wù)得分:

　　可以看到，能與Skywork-MM偶爾“平分秋色”的只有MiniGPT-4和BLIP系列。

　　而除了MME榜單，Skywork-MM還在另一多模態(tài)基準(zhǔn)MMBench的開發(fā)集上表現(xiàn)出色:

　　進步空間

　　需要注意的是，盡管昆侖萬維天工大模型這一最新成果，代表了當(dāng)前多模態(tài)大模型的最高水平，但它還是存在很多進步空間。

　　例如:

　　文化和語言障礙仍然存在，還需要我們開發(fā)一種多語言的LVM，更有效地提取不同文化特有的視覺特征，或者再收集更多各語言的大規(guī)模、高質(zhì)量圖像文本對，確保模型準(zhǔn)確掌握視覺概念和文本概念的關(guān)聯(lián)。

　　除此之外，目前的成果只建立在較小規(guī)模的基礎(chǔ)之上(13B)，如果研究更大的多模態(tài)模型，我們在使用數(shù)據(jù)、參數(shù)設(shè)置、訓(xùn)練策略等方面可能都需要進一步探索。

　　評估基準(zhǔn)也還可以更全面，目前MME和MMBench的測試范圍都有限。

　　以及從上面的粗粒度感知識別任務(wù)榜單來看，現(xiàn)有所有多模態(tài)大模型對于根據(jù)圖片準(zhǔn)確識別物體位置的能力(對實現(xiàn)機器人感知意義重大)都比較欠缺:

　　最高的模型得分才33.33，離滿分100還有很大的差距。

　　這個缺陷從下圖也可以看出:

　　毫無疑問的是，人工智能的未來一定是多模態(tài)的。

　　以上這些問題說明，我們才剛剛開始探索它真正的潛力。

　　然而，我們相信，在一次又一次的榜單排名更迭之中，屬于多模態(tài)大模型的“ChatGPT時刻”終將會到來。