北大清華等聯(lián)合發(fā)布 LLaVA-o1：首個自發(fā)性視覺 AI 模型，推理計算 Scaling 新思路

　　由北京大學、清華大學、鵬城實驗室、阿里巴巴達摩院以及理海大學(Lehigh University)組成的研究團隊，最新推出了 LLaVA-o1，這是首個具備自發(fā)性（Spontaneous，具體解釋可參考文末）、類似于 GPT-o1 的系統(tǒng)性推理視覺語言模型。

　　UP 主：唐國梁 Tommy

　　LLaVA-o1 是一種新型的視覺語言模型(VLM)，其設(shè)計目標是進行自主的多階段推理。

　　LLaVA-o1 擁有 110 億個參數(shù)，基于 Llama-3.2-Vision-Instruct 模型開發(fā)，設(shè)計了總結(jié)(summary)、描述(caption)、推理(reasoning)和結(jié)論(conclusion)4 個推理階段。

　　該模型使用名為 LLaVA-o1-100k 的數(shù)據(jù)集進行微調(diào)，該數(shù)據(jù)集源自視覺問答(VQA)來源和由 GPT-4o 生成的結(jié)構(gòu)化推理注釋。

　　LLaVA-o1 采用了階段級束搜索(stage-level beam search)的推理時間 Scaling 技術(shù)，能夠在每個推理階段生成多個候選答案，并選取最佳答案。

　　該模型在處理復雜任務時具備較強的能力，在復雜視覺問答任務中，可以突破傳統(tǒng)視覺語言模型的局限性。

　　與基礎(chǔ)模型相比，LLaVA-o1 在多模態(tài)推理基準測試中提高了 8.9% 的性能，超過了許多大型和閉源的競爭對手。

　　LLaVA-o1 的推出填補了文本和視覺問答模型之間的重要空白，在多個基準測試中的優(yōu)異表現(xiàn)，特別是在數(shù)學和科學視覺問題的推理領(lǐng)域，展示了結(jié)構(gòu)化推理在視覺語言模型中的重要性。

　　自發(fā)性人工智能(Spontaneous AI)是指能夠模擬動物自發(fā)行為的人工智能系統(tǒng)。這種技術(shù)的研究主要集中在如何通過機器學習和復雜的時間模式設(shè)計出具有自發(fā)行為的機器人或智能系統(tǒng)。