Meta首發(fā)「變色龍」挑戰(zhàn)GPT-4o，34B參數(shù)引領(lǐng)多模態(tài)革命！10萬億token訓(xùn)練刷新SOTA

　　GPT-4o發(fā)布不到一周，首個(gè)敢于挑戰(zhàn)王者的新模型誕生!最近，Meta團(tuán)隊(duì)發(fā)布了「混合模態(tài)」Chameleon，可以在單一神經(jīng)網(wǎng)絡(luò)無縫處理文本和圖像。10萬億token訓(xùn)練的34B參數(shù)模型性能接近GPT-4V，刷新SOTA。

　　GPT-4o的橫空出世，再次創(chuàng)立了一個(gè)多模態(tài)模型發(fā)展的新范式!

　　為什么這么說?

　　OpenAI將其稱為「首個(gè)『原生』多模態(tài)」模型，意味著GPT-4o與以往所有的模型，都不盡相同。

　　傳統(tǒng)的多模態(tài)基礎(chǔ)模型，通常為每種模態(tài)采用特定的「編碼器」或「解碼器」，將不同的模態(tài)分離開。

　　然而，這種方法限制了模型，有效融合跨模態(tài)信息的能力。

　　官博介紹，GPT-4o是「首個(gè)端到端」訓(xùn)練的，跨越文本、視覺和音頻的模型，所有的輸入和輸出，都由單個(gè)神經(jīng)網(wǎng)絡(luò)處理。

　　而現(xiàn)在，業(yè)界首個(gè)敢于挑戰(zhàn)GPT-4o的模型現(xiàn)身了!

　　最近，來自Meta團(tuán)隊(duì)的研究人員發(fā)布了「混合模態(tài)基座模型」——Chameleon(變色龍)。

　　與GPT-4o一樣，Chameleon采用了統(tǒng)一的Transformer架構(gòu)，使用文本、圖像和代碼混合模態(tài)完成訓(xùn)練。

　　以類似文本生成的方式，對(duì)圖像進(jìn)行離散「分詞化」(tokenization)，最終生成和推理交錯(cuò)的文本和圖像序列。

　　這種「早期融合」的方法，所有的pipeline從一開始就被映射到一個(gè)共同的表示空間，因此模型可以無縫處理文本和圖像。

　　Chameleon生成的多模態(tài)內(nèi)容

　　與此同時(shí)，這樣的設(shè)計(jì)，為模型訓(xùn)練帶來了重大的技術(shù)挑戰(zhàn)。

　　對(duì)此，Meta研究團(tuán)隊(duì)引入了一系列架構(gòu)創(chuàng)新和訓(xùn)練技術(shù)。

　　結(jié)果表明，在純文本任務(wù)中，340億參數(shù)Chameleon(用10萬億多模態(tài)token訓(xùn)練)的性能和Gemini-Pro相當(dāng)。

　　在視覺問答和圖像標(biāo)注基準(zhǔn)上，刷新SOTA，性能接近GPT-4V。

　　不過，不論是GPT-4o，還是Chameleon，都是新一代「原生」端到端的多模態(tài)基礎(chǔ)模型早期探索。

　　GTC2024大會(huì)上，老黃描述了邁向AGI最終愿景的重要一步——各種模態(tài)互通有無。

　　下一個(gè)開源GPT-4o要來?

　　Chameleon的發(fā)布，簡直就是對(duì)GPT-4o做出最快的反應(yīng)。

　　有網(wǎng)友表示，token進(jìn)，token出，簡直無法去解釋。

　　甚至還有人稱，在GPT-4o誕生之后發(fā)布的非常扎實(shí)的研究，OOS將迎頭趕上。

　　不過，目前Chameleon模型支持生成的模態(tài)，主要是圖像文本。缺少了GPT-4o中的語音能力。

　　網(wǎng)友稱，然后只需添加另一種模態(tài)(音頻)，擴(kuò)大訓(xùn)練數(shù)據(jù)集，「烹飪」一段時(shí)間，我們就會(huì)得到GPT-4o...?

　　Meta的產(chǎn)品管理總監(jiān)稱，「我非常自豪能夠給予這個(gè)團(tuán)隊(duì)支持。讓我們朝著讓GPT-4o更接近開源社區(qū)的方向邁進(jìn)一步」。

　　或許用不了多久，我們就得到了一個(gè)開源版的GPT-4o。

　　接下來，一起看看Chameleon模型的技術(shù)細(xì)節(jié)。

　　技術(shù)架構(gòu)

　　Meta在Chameleon的論文中首先表示:很多新近發(fā)布的模型依舊沒有將「多模態(tài)」貫徹到底。

　　這些模型雖然采用了端到端的訓(xùn)練方式，但仍然單獨(dú)對(duì)不同模態(tài)進(jìn)行建模，使用分開的編碼器或解碼器。

　　如開頭所述，這種做法限制了模型跨模態(tài)信息的能力，也難以生成包含任意形式信息的、真正的多模態(tài)文檔。

　　為了改進(jìn)這種缺陷，Meta提出了一系列「混合模態(tài)」的基座模型Chameleon——能夠生成文本和圖像內(nèi)容任意交織在一起的內(nèi)容。

　　Chameleon的生成結(jié)果，文本和圖像交錯(cuò)出現(xiàn)

　　所謂「混合模態(tài)」基座模型，指Chameleon不僅使用了端到端的方式從頭開始訓(xùn)練，而且訓(xùn)練時(shí)將所有模態(tài)的信息交織混合在一起，并使用統(tǒng)一的架構(gòu)處理。

　　如何將所有模態(tài)的信息混合在同一個(gè)模型架構(gòu)中表示?

　　答案還是「token」。

　　只要全部表示為token，就可以把所有所有模態(tài)的信息映射到同一個(gè)向量空間中，讓Transformer無縫處理。

　　但是，這種做法會(huì)帶來優(yōu)化穩(wěn)定性以及模型擴(kuò)展性方面的技術(shù)挑戰(zhàn)。

　　為了解決這些問題，論文相應(yīng)地對(duì)模型架構(gòu)進(jìn)行創(chuàng)新，并使用了一些訓(xùn)練技巧，包括QK歸一化和Zloss等。

　　同時(shí)，論文也提出了將純文本LLM微調(diào)為多模態(tài)模型的方法。

　　圖像「分詞器」

　　要將所有模態(tài)全部表示為token，首先需要一個(gè)強(qiáng)大的分詞器。

　　為此，Chameleon的團(tuán)隊(duì)在Meta之前一篇論文的基礎(chǔ)上開發(fā)了一種新的圖像分詞器，基于大小為8192的codebook，將規(guī)格為512×512的圖像編碼為1024個(gè)離散的token。

　　文字分詞器則基于谷歌開發(fā)的sentencepiece開源庫，訓(xùn)練了一個(gè)同時(shí)含有65536個(gè)文本token與8192個(gè)圖像token的BPE分詞器。

　　預(yù)訓(xùn)練

　　為了徹底激發(fā)「混合模態(tài)」的潛力，訓(xùn)練數(shù)據(jù)也是將不同模態(tài)打散、混合呈現(xiàn)給模型的，既有純文本、文本-圖像對(duì)，也有文本、圖像交錯(cuò)出現(xiàn)的多模態(tài)文檔。

　　純文本數(shù)據(jù)囊括了Llama2和CodeLlama所使用的所有預(yù)訓(xùn)練數(shù)據(jù)，共計(jì)2.9萬億個(gè)token。

　　文本-圖像對(duì)包含了一些公開數(shù)據(jù)，共計(jì)14億對(duì)、1.5萬億個(gè)token。

　　對(duì)于文本和圖像交錯(cuò)的數(shù)據(jù)，論文特意強(qiáng)調(diào)沒有包含來自Meta產(chǎn)品的數(shù)據(jù)，完全使用公開數(shù)據(jù)來源，整理出共4000億個(gè)token。

　　Chameleon的預(yù)訓(xùn)練分兩個(gè)單獨(dú)的階段進(jìn)行，分別占總訓(xùn)練比例的80%和20%。

　　訓(xùn)練的第一階段就是讓模型以無監(jiān)督的方式學(xué)習(xí)以上數(shù)據(jù)，第二階段開始時(shí)，先將第一階段得到的權(quán)重降低50%，并混合更高質(zhì)量的數(shù)據(jù)讓模型繼續(xù)學(xué)習(xí)。

　　在模型擴(kuò)展到超過8B參數(shù)和1T token時(shí)，訓(xùn)練后期會(huì)產(chǎn)生明顯的不穩(wěn)定問題。

　　由于所有模態(tài)共享模型權(quán)重，每個(gè)模態(tài)似乎都有增加norm的傾向，與其他模態(tài)「競爭」。

　　這在訓(xùn)練初期不會(huì)產(chǎn)生太大的問題，但隨著訓(xùn)練的進(jìn)行、數(shù)據(jù)超出bf16的表達(dá)范圍時(shí)，就會(huì)有l(wèi)oss發(fā)散的現(xiàn)象。

　　研究人員將其歸因于softmax函數(shù)所具有的平移不變性，這種現(xiàn)象在單模態(tài)模型中也被稱為「logit 漂移」(logit drift)。

　　因此，論文提出了一些架構(gòu)調(diào)整和優(yōu)化方法來保證穩(wěn)定性:

　　-QK歸一化(query-key normalization):將layer norm應(yīng)用于注意力模塊中的query和key向量，從而直接控制softmax層輸入的norm增長。

　　-在注意力層和前饋層之后引入dropout

　　-在損失函數(shù)中使用Zloss正則化

　　除了數(shù)據(jù)來源和架構(gòu)，論文還大方公開了預(yù)訓(xùn)練所用的算力規(guī)模。

　　硬件型號(hào)為80GB內(nèi)存的英偉達(dá)A100，7B版本并行使用1024個(gè)GPU訓(xùn)練了約86萬個(gè)GPU小時(shí)，34B模型所用的GPU數(shù)量則擴(kuò)大了3倍，GPU小時(shí)數(shù)超過428萬。

　　作為曾經(jīng)開源Llama2的公司，Meta的研究團(tuán)隊(duì)確實(shí)大方，相比連技術(shù)報(bào)告都沒有的GPT-4o，這篇有數(shù)據(jù)有干貨的論文可謂「仁至義盡」。

　　全面超越Llama2

　　具體的實(shí)驗(yàn)評(píng)估中，研究人員將其分為人工評(píng)估和安全測試，以及基準(zhǔn)評(píng)估。

　　基準(zhǔn)評(píng)估

　　Chameleon-34B使用了比Llama2多四倍的token進(jìn)行訓(xùn)練后，在各種單模態(tài)的基準(zhǔn)測試中都取得了驚艷的效果。

　　在純文本任務(wù)生成中，研究人員將預(yù)訓(xùn)練(非SFT)模型的純文本功能與其他領(lǐng)先的純文本LLM進(jìn)行比較。

　　評(píng)估內(nèi)容包括，常識(shí)推理、閱讀理解、數(shù)學(xué)問題和世界知識(shí)領(lǐng)域，評(píng)估結(jié)果如下表所示。

　　- 常識(shí)推理和閱讀理解

　　可以觀察到， 與Llama2相比，Chameleon-7B和Chameleon-34B更具競爭力。甚至，34B甚至在5/8的任務(wù)上超過了Llama-270B，性能與Mixtral-8x7B相當(dāng)。

　　- 數(shù)學(xué)和世界知識(shí)

　　盡管進(jìn)行了其他模態(tài)的訓(xùn)練，但兩個(gè)Chameleon模型都表現(xiàn)出很強(qiáng)的數(shù)學(xué)能力。

　　在GSM8k上，Chameleon-7B的表現(xiàn)優(yōu)于相應(yīng)參數(shù)規(guī)模的Llama2模型，性能與Mistral-7B相當(dāng)。

　　此外，Chameleon-34B在maj@1(61.4vs56.8)和Mixtral-8x7B在maj@32(77.0vs75.1)上的表現(xiàn)均優(yōu)于Llama2-70B。

　　同樣，在數(shù)學(xué)運(yùn)算中，Chameleon-7B的性能超過Llama2，與Mistral-7B在maj@4上的性能相當(dāng)，而 Chameleon-34B的性能超過Llama2-70B，接近Mixtral-8x7B在maj@4上的性能(24.7vs28.4)。

　　總體而言，Chameleon的性能全面超過了Llama2，在某些任務(wù)上接近Mistral-7B/8x7B。

　　在文本到圖像任務(wù)中，研究人員具體評(píng)測了視覺問答、圖像標(biāo)注兩項(xiàng)具體任務(wù)。

　　Chameleon在視覺問答和圖像標(biāo)注任務(wù)中打敗Flamingo和Llava-1.5等模型成為SOTA，在純文本任務(wù)中也和第一梯隊(duì)的Mixtral8x7B、Gemini Pro等模型表現(xiàn)相當(dāng)。

　　人工評(píng)估和安全測試

　　同時(shí)，為了進(jìn)一步評(píng)估模型生成多模態(tài)內(nèi)容的質(zhì)量，論文也在基準(zhǔn)測試之外引入了人類評(píng)估實(shí)驗(yàn)，發(fā)現(xiàn)Chameleon-34B的表現(xiàn)遠(yuǎn)遠(yuǎn)超過了Gemini Pro和GPT-4V。

　　相對(duì)于GPT-4V和Gemini Pro，人類評(píng)委分別打出了51.6%和60.4的偏好率。

　　下圖展示了，對(duì)于一組多樣化的、來自人類標(biāo)注者的prompt，Chameleon與基線模型在理解和生成內(nèi)容方面的性能對(duì)比。

　　其中的每個(gè)問題，都由三個(gè)不同的人類標(biāo)注回答，并將多數(shù)票作為最終答案。

　　為了了解人類標(biāo)注者的質(zhì)量，以及問題的設(shè)計(jì)是否合理，研究人員還檢查了不同標(biāo)注者之間的一致性程度。

　　表5是對(duì)20，000個(gè)眾包提示和445個(gè)紅隊(duì)交互進(jìn)行的安全測試，引發(fā)模型產(chǎn)生不安全內(nèi)容。

　　與Gemini和GPT-4V相比，Chameleon在處理需要交錯(cuò)、混合模態(tài)響應(yīng)的提示時(shí)，非常有競爭力。

　　從示例中可以看到，在完成問答任務(wù)時(shí)，Chameleon既能理解輸入的文本+圖像，也能為模型輸出內(nèi)容加上合適的「配圖」。

　　并且，Chameleon生成的圖像通常與上下文相關(guān)，這樣一來，這種交錯(cuò)內(nèi)容的輸出對(duì)用戶來說，極具吸引力。

　　貢獻(xiàn)團(tuán)隊(duì)

　　論文最后，還放上了參與這項(xiàng)研究的貢獻(xiàn)者。

　　包括預(yù)訓(xùn)練、對(duì)齊和安全、推理和評(píng)估、所有項(xiàng)目的參與者。

　　其中，*表示共同一作，†表示關(guān)鍵貢獻(xiàn)者，‡表示工作流程負(fù)責(zé)人，♯表示項(xiàng)目負(fù)責(zé)人。