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。
△ MME 感知榜第一，認(rèn)知榜第二，總榜第一
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(jìn)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(tuán)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(qiáng)：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(qiáng)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(qiáng)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(jìn)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(jìn)。
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(tuán)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)栴}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(jìn)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(jìn)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(jìn)，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 GitHub 4k 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(jìn)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(jìn)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(jìn)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(jī)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。
論文地址：
https://github.com/will-singularity/Skywork-MM/blob/main/skywork_mm.pdf
榜單地址：
https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models/tree/Evaluation
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。