UC 伯克利的 CV 三巨頭推出首個(gè)無自然語言的純視覺大模型，第一次證明純 CV 模型也是可擴(kuò)展的。更令人震驚的是，LVM 竟然也能做對(duì)圖形推理題，AGI 火花再次出現(xiàn)了？
計(jì)算機(jī)視覺的 GPT 時(shí)刻，來了！
最近，來自 UC 伯克利的計(jì)算機(jī)視覺「三巨頭」聯(lián)手推出了第一個(gè)無自然語言的純視覺大模型（Large Vision Models），并且第一次證明了純視覺模型本身也是可擴(kuò)展的（scalability）。
除此之外，研究人員還利用超過 420B token 的數(shù)據(jù)集讓模型可以通過上下文學(xué)習(xí)來理解并執(zhí)行下游任務(wù)，并且統(tǒng)一了圖片 / 視頻、有監(jiān)督 / 無監(jiān)督、合成 / 真實(shí)、2D / 3D / 4D 等幾乎所有的數(shù)據(jù)形式。
值得一提的是，讓 LVM 做非語言類智商測(cè)試（Raven's Progressive Matrices ）中常見的非語言推理問題，它時(shí)常能做出正確的推斷。
對(duì)此，研究人員驚喜地表示，這或許意味著 LVM 也展現(xiàn)出了「AGI 的火花」！
純視覺模型的逆襲
現(xiàn)在，隨著大語言模型的爆發(fā)，不管是學(xué)術(shù)界還是業(yè)界，都開始嘗試使用「文本」來擴(kuò)大視覺模型的規(guī)模。
包括 GPT4-V 在內(nèi)的 SOTA 模型，都是把視覺和文字組合在一起訓(xùn)練的。
以「蘋果」為例，這種方法在訓(xùn)練時(shí)不僅會(huì)給模型看「蘋果的照片」，而且還會(huì)配上文字「這是一個(gè)蘋果」。
然而，在面對(duì)更加復(fù)雜的圖片時(shí)，就很容易忽略其中大量的信息。
比如「蒙娜麗莎」應(yīng)該怎么去描述？或者擺滿各種物品的廚房的照片，也很難清晰地被描述出來。
對(duì)此，來自 UC 伯克利和約翰斯?霍普金斯大學(xué)的研究人員，提出了一種全新的「視覺序列」建模方法，可以在不使用任何語言數(shù)據(jù)的情況下，訓(xùn)練大規(guī)模視覺模型（Large Vision Model）。
這種名為「視覺序列」的通用格式，可以在其中表征原始圖像和視頻，以及語義分割、深度重建等帶標(biāo)注的數(shù)據(jù)源，且不需要超出像素之外的任何元知識(shí)。
一旦將如此廣泛的視覺數(shù)據(jù)（包含 4200 億個(gè) token）表征為序列，就可以進(jìn)行模型的訓(xùn)練，讓下一個(gè) token 預(yù)測(cè)的交叉熵?fù)p失最小化。
由此得到的 LVM 模型，不僅可以實(shí)現(xiàn)有效地?cái)U(kuò)展，完成各種各樣的視覺任務(wù)，甚至還能更進(jìn)一步地涌現(xiàn)出比如數(shù)數(shù)、推理、做智力測(cè)試等能力。
簡單來說就是，大規(guī)模視覺模型只需看圖訓(xùn)練，就能理解和處理復(fù)雜的視覺信息，完全不用依賴語言數(shù)據(jù)。
純視覺模型的擴(kuò)展難題
此前，使用預(yù)訓(xùn)練模型的價(jià)值 (例如 ImageNet 預(yù)訓(xùn)練的 AlexNet) ，早在 2015 年就已經(jīng)在 R-CNN 中得到了證明。
從此，它從此成為計(jì)算機(jī)視覺的標(biāo)準(zhǔn)實(shí)踐。
而自監(jiān)督預(yù)訓(xùn)練，作為一種大大增加可用于預(yù)訓(xùn)練的數(shù)據(jù)量的方法被提出。
不幸的是，這種方法并不是很成功，可能是因?yàn)楫?dāng)時(shí)基于 CNN 的架構(gòu)沒有足夠的能力來吸收數(shù)據(jù)。
隨著 Transformer 的推出，其容量變得高得多，因此研究人員重新審視了自監(jiān)督預(yù)訓(xùn)練，并發(fā)現(xiàn)了基于 Transformer 的掩碼圖像重建方法，例如 BEiT, MAE，SimMIM，它們要比基于 CNN 的同類方法表現(xiàn)好得多 。
然而，盡管如此，目前預(yù)訓(xùn)練的純視覺模型在擴(kuò)展到真正大的數(shù)據(jù)集 (例如 LAION) 時(shí)，還是遇到了困難。
如何構(gòu)建「大視覺模型」
那構(gòu)建一個(gè)大規(guī)模視覺模型（Large Vision Model，LVM），需要哪些要素呢？
動(dòng)物世界告訴我們，視覺能力并不依賴于語言。而許多實(shí)驗(yàn)表明，非人類靈長類動(dòng)物的視覺世界，和人類的極為相似。
因此，本文走在了 LLaVA 這種視覺-語言模型不同的方向：僅依靠像素，我們能走多遠(yuǎn)？
研究人員試圖在 LVM 中，模仿 LLM 的兩個(gè)關(guān)鍵特性：（1）在大數(shù)據(jù)環(huán)境下的擴(kuò)展能力，和（2）通過提示（上下文學(xué)習(xí)）靈活地指定任務(wù)。
為了實(shí)現(xiàn)這一目標(biāo)，需要明確三個(gè)主要組件：
數(shù)據(jù)：研究人員希望，能夠充分利用視覺數(shù)據(jù)顯著的多樣性。
首先是原始的未經(jīng)標(biāo)注的圖像和視頻。接下來，研究人員計(jì)劃利用過去幾十年中產(chǎn)生的各種帶標(biāo)注的視覺數(shù)據(jù)資源，如語義分割、深度重建、關(guān)鍵點(diǎn)、3D 物體的多個(gè)視圖等。
為此，他們定義了一種名為「視覺序列」的通用格式，來表示這些不同的標(biāo)注，而不需要任何超出像素本身的元知識(shí)。訓(xùn)練數(shù)據(jù)集總共包含 1.64 億張圖像 / 幀。
架構(gòu)：研究人員使用了一個(gè)具有 30 億參數(shù)的大型 Transformer 架構(gòu)，這個(gè)架構(gòu)在被表征為 token 序列的視覺數(shù)據(jù)上進(jìn)行訓(xùn)練。
通過學(xué)習(xí)到的 tokenizer，將每個(gè)圖像映射到一個(gè)包含 256 個(gè)向量量化 token 的字符串。
損失函數(shù)：研究人員從自然語言處理領(lǐng)域獲取了靈感，其中掩碼 token 模型已經(jīng)演變?yōu)轫樞蜃曰貧w預(yù)測(cè)。
一旦能夠?qū)D像 / 視頻 / 帶標(biāo)注的圖像都表征為序列，就可以訓(xùn)練模型來最小化預(yù)測(cè)下一個(gè) token 的交叉熵?fù)p失。
通過這種極簡的設(shè)計(jì)，研究人員有了一些新穎的發(fā)現(xiàn) ——
- 隨著模型尺寸和數(shù)據(jù)大小的增加，模型會(huì)表現(xiàn)出適當(dāng)?shù)臄U(kuò)展行為。
- 通過在測(cè)試時(shí)設(shè)計(jì)合適的視覺提示，可以解決多種視覺任務(wù)。
- 大量無監(jiān)督數(shù)據(jù)，對(duì)于各種標(biāo)準(zhǔn)視覺任務(wù)性能的提升非常明顯。
- 模型在處理超出分布外數(shù)據(jù)和執(zhí)行新穎任務(wù)時(shí)，表現(xiàn)出了一般的視覺推理能力，但還需要進(jìn)一步的調(diào)查研究。
數(shù)據(jù)
任何大型預(yù)訓(xùn)練模型的關(guān)鍵，就必須接受大量數(shù)據(jù)的訓(xùn)練。
對(duì)于語言模型來說，獲得非常多樣化的大數(shù)據(jù)集，是很容易的事。
比如，流行的 CommonCrawl 存儲(chǔ)庫，就包含掃描了整個(gè)網(wǎng)絡(luò)的 2500 億個(gè)網(wǎng)頁，極其多樣化，并且包括語言翻譯、問題回答等「自然演示」。
然而在計(jì)算機(jī)視覺領(lǐng)域，想要擁有同樣規(guī)模和多樣性的數(shù)據(jù)源，還差得很遠(yuǎn)。
因此，研究人員的工作核心貢獻(xiàn)之一，就是構(gòu)建這樣一個(gè)統(tǒng)一視覺數(shù)據(jù)集（UVDv1）。
為此，研究人員利用了許多不同的視覺數(shù)據(jù)源：（1）未標(biāo)注的圖像，（2）具有視覺標(biāo)注的圖像，（3）未標(biāo)注的視頻，（4）具有視覺標(biāo)注的視頻，（5）3D 合成物體。
其中，未標(biāo)注的圖像占了總數(shù)據(jù)的 80% 以上，組成了大部分的視覺世界，也提供了所需的多樣性，然而代價(jià)就是，數(shù)據(jù)源質(zhì)量較低。
帶標(biāo)注的圖像分布會(huì)更受限制，但通常質(zhì)量更高。
而視頻數(shù)據(jù)則受到更多限制（一般是以人類為中心的活動(dòng)），但它們卻是時(shí)態(tài)數(shù)據(jù)的寶貴來源。
3D 合成對(duì)象的渲染多樣性最低，但可以提供有關(guān) 3D 結(jié)構(gòu)行為的寶貴提示。
而最重要的是，UVDv1 是一個(gè)純粹的視覺數(shù)據(jù)集，不包含文本之類的非視覺元數(shù)據(jù)。
總之，UVDv1 包含 16.4 億張圖像。
與 LLM 的另一個(gè)重要區(qū)別是，語言數(shù)據(jù)對(duì)所有數(shù)據(jù)都有一個(gè)自然的、統(tǒng)一的一維結(jié)構(gòu) —— 文本流。
然而不幸的是，視覺數(shù)據(jù)的情況卻并非如此，不同的來源都有不同的結(jié)構(gòu)。
因此在這項(xiàng)工作中，研究人員提出視覺序列，作為視覺數(shù)據(jù)的統(tǒng)一單元，這就使得他們能夠從不同的集合源，訓(xùn)練可擴(kuò)展的模型。
視覺序列只是包含一個(gè)或多個(gè)圖像的序列，后面跟隨著一個(gè)句尾 (EOS) token。
圖 1 可以顯示出，各種數(shù)據(jù)源是如何劃分為視覺序列的。
單張圖像
單張圖像本身代表了視覺序列的最簡單形式一一 {圖像，EOS}。
研究人員使用了 LAION 5B 數(shù)據(jù)集中 14.9 億張圖像的過濾子集。
這是迄今為止數(shù)據(jù)中最大的部分，占了 88.5%。
圖像序列
圖像序列是視覺序列的自然形式。
研究人員通過從各種現(xiàn)有數(shù)據(jù)集中獲取視頻數(shù)據(jù)，來創(chuàng)建此類序列。
16 幀的視覺序列，是通過以三個(gè)不同步長 (10、20 和 30) 對(duì)視頻進(jìn)行機(jī)采樣而形成的。
此外，研究人員利用了來自 0bjaverse 數(shù)據(jù)集的合成 3D 物體，生成了以物體為中心的多視角序列。
對(duì)于每個(gè)物體，研究人員都在物體中心和攝像機(jī)之間，采樣了一個(gè)半徑 1.5 到 2.2 的長度，并從-45 度到 45 度采樣了一個(gè)恒定仰角，然后遍歷物體的不同視角（以 15 度步長和渲染 24 個(gè)視角的方式，改變方位角）。
通過這種方法，研究人員總共渲染了 42000 個(gè)這樣的序列用于訓(xùn)練，8000 個(gè)序列用于測(cè)試。
最后，還可以將屬于同一語義類別的圖像表征為序列的（一部分）。
使用 ImageNet 中的類別，將同一類別中的圖像組（2、4、8 或 16 個(gè)）連接成一個(gè) 16 幅圖像的長序列。
帶標(biāo)注的圖像
為了以統(tǒng)一的方式處理不同類型的圖像標(biāo)注，研究人員選擇將所有標(biāo)注表征為圖像。
某些數(shù)據(jù)類型，例如語義分割圖，邊緣圖，深度和普通圖像，已經(jīng)是以這種方式表征的。
對(duì)于其他數(shù)據(jù)類型，研究人員為每種特定的標(biāo)注類型，量身定制了不同方法 ——
1. 物體檢測(cè)：通過在每個(gè)物體周圍覆蓋顏色編碼的邊界框，來創(chuàng)建標(biāo)注。
2. 人體姿態(tài)：利用 MMPose，遵循 OpenPose 格式，在像素空間中渲染人體骨骼。
3. 深度估計(jì)、表面法線和邊緣檢測(cè)：對(duì)于給定的 ImageNet 和 COCO 圖像，按照特定協(xié)議生成標(biāo)注。
4. 風(fēng)格遷移、除雨、去噪、弱光增強(qiáng)和立體數(shù)據(jù)集：這些都表征為圖像對(duì)的形式 (例如輸入 / 輸出)。
5. 著色：將 ImageNet 圖像轉(zhuǎn)換為灰度圖像，生成圖像對(duì)。
6. 修復(fù)：在圖像中隨機(jī)添加黑色框來模擬損壞，從而產(chǎn)生圖像對(duì)。
對(duì)于上述所有標(biāo)注類型，可以通過將相同標(biāo)注類型的 8 個(gè)圖像對(duì)，連接成 16 個(gè)圖像的視覺序列，來創(chuàng)建視覺序列。
對(duì)于包含同一圖像的 k 個(gè)不同標(biāo)注的數(shù)據(jù)集，使用不同的方法: 對(duì)于每組 1+k 個(gè)圖像 (輸入多于 k 的標(biāo)注)，然后隨機(jī)選擇 m 個(gè)元素，其中 m≤n+1≤16。然后將這些 m 元組連接起來，形成視覺序列。
帶標(biāo)注的圖像序列
在將帶標(biāo)注的視頻數(shù)據(jù)（VIPSeg、Hand14K、AVA、JHMDB）轉(zhuǎn)換為視覺序列時(shí)，采用了兩種互補(bǔ)策略。
第一種策略類似于處理成對(duì)標(biāo)注圖像數(shù)據(jù)的方法：每個(gè)視覺序列都是通過將幀與它們的標(biāo)注連接起來而構(gòu)建的 ——{frame1,annot1,frame2,annot2,...}。
第二種方法是將多個(gè)幀與相應(yīng)的標(biāo)注 {frame1,frame2,annot1,annot2,...} 進(jìn)行分組。
實(shí)現(xiàn)方法
與天然展現(xiàn)離散序列結(jié)構(gòu)的文本數(shù)據(jù)不同，將圖像像素建模為視覺序列并不直觀。在這項(xiàng)工作中，研究人員采取了一個(gè)兩階段方法：
1. 訓(xùn)練一個(gè)大型視覺 tokenizer（對(duì)單個(gè)圖像操作）將每個(gè)圖像轉(zhuǎn)換成一系列視覺 token；
2. 在視覺序列上訓(xùn)練一個(gè)自回歸 Transformer 模型，每個(gè)序列都表示為一系列 token。
圖像分詞（Image Tokenization）
雖然視覺序列在連續(xù)圖像之間展現(xiàn)出了序列結(jié)構(gòu)，但在單個(gè)圖像內(nèi)部并沒有這樣的自然序列結(jié)構(gòu)。
因此，為了將 Transformer 模型應(yīng)用于圖像，先前的工作通常采用以下方法：要么按掃描線順序?qū)D像分割成補(bǔ)丁，并將其視為一個(gè)序列，要么使用預(yù)訓(xùn)練的圖像 tokenizer，例如 VQVAE 或 VQGAN ，將圖像特征聚類成一格一格的離散 token，然后再按掃描線順序?qū)⑦@些 token 轉(zhuǎn)換成序列。
研究人員采用后一種方法，因?yàn)槟Ｐ偷碾x散分類輸出自然形成了一個(gè)可以輕松采樣的概率分布，使得在視覺序列中靈活生成新圖像成為可能。
具體來說，研究人員使用了 VQGAN 模型生成的語義 token。該框架包括編碼和解碼機(jī)制，特點(diǎn)是一個(gè)量化層，將輸入圖像分配給一個(gè)已建立代碼本的離散 token 序列。
編碼器和解碼器完全由卷積層構(gòu)成。編碼器配備了多個(gè)下采樣模塊，以壓縮輸入的空間維度，而解碼器則配備了等量的上采樣模塊，以恢復(fù)圖像到其初始大小。
對(duì)于給定的圖像，研究人員的 VQGAN 的 tokenizer 產(chǎn)生 256 個(gè)離散 token。
需要注意的是，研究人員的 tokenizer 獨(dú)立地對(duì)單個(gè)圖像進(jìn)行操作，而不是一次性處理整個(gè)視覺序列。
這種獨(dú)立性允許研究人員將 tokenizer 訓(xùn)練與下游 Transformer 模型分離，這樣 tokenizer 就可以在單圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練，而無需考慮視覺序列的分布。
實(shí)現(xiàn)細(xì)節(jié)：研究人員采用了現(xiàn)成 VQGAN 架構(gòu)。其中使用了 f=16 的下采樣因子和 8192 大小的代碼本。這意味著對(duì)于一個(gè)大小為 256×256 的圖像，研究人員的 VQGAN 的 tokenizer 產(chǎn)生 16×16=256 個(gè) token，其中每個(gè) token 可以取 8192 個(gè)不同的值。
研究人員發(fā)現(xiàn)使用 ImageNet 預(yù)訓(xùn)練的 tokenizer 在 ImageNet 圖像之外并不具有很好的泛化性能。因此，研究人員在 LAION 5B 數(shù)據(jù)集的 1.5B 子集上訓(xùn)練他們自己的 tokenizer。
視覺序列的序列建模
使用 VQGAN 將圖像轉(zhuǎn)換成離散 token 后，研究人員通過將多個(gè)圖像的離散 token 連接成一個(gè) 1D 序列，將視覺序列視為一個(gè)統(tǒng)一的序列。
重要的是，研究人員平等對(duì)待所有視覺序列 —— 研究人員不使用任何特殊 token 來指示特定任務(wù)或格式。
研究人員使用交叉熵?fù)p失訓(xùn)練一個(gè)因果 Transformer 模型，其目標(biāo)是預(yù)測(cè)下一個(gè) token，類似于語言模型的標(biāo)準(zhǔn)方法。用相同的方式訓(xùn)練模型來處理所有視覺序列，使模型能夠從上下文而不是從特定于任務(wù)或格式的 token 中推斷出圖像之間的關(guān)系。這使得模型有機(jī)會(huì)推廣到其他未見過的視覺序列結(jié)構(gòu)。
實(shí)現(xiàn)細(xì)節(jié)：研究人員將視覺序列中的每個(gè)圖像分詞成 256 個(gè) token，然后將它們連接成一個(gè) 1Dtoken 序列。
在視覺 token 序列的基礎(chǔ)上，研究人員的 Transformer 模型幾乎與自回歸語言模型相同，因此研究人員采用了 LLaMA 的 Transformer 架構(gòu)。
研究人員使用 4096 token 的上下文長度，可以適應(yīng)研究人員 VQGAN tokenizer 下的 16 幅圖像。
類似于語言模型，研究人員在每個(gè)視覺序列的開頭添加一個(gè) [BOS]（序列開始）token，在末尾添加一個(gè) [EOS]（序列結(jié)束）token，并在訓(xùn)練時(shí)使用序列連接（sequence concatenation）來提高效率。
研究人員在整個(gè) UVDv1 數(shù)據(jù)集（4200 億 token）上訓(xùn)練研究人員的模型，使用一個(gè)周期（在語言模型中使用簡單周期訓(xùn)練，以避免潛在的過擬合）。
研究人員訓(xùn)練了 4 種不同參數(shù)數(shù)量的模型：3 億、6 億、10 億和 30 億，遵循相同的訓(xùn)練配置。
通過視覺提示進(jìn)行推理
由于研究人員模型中的自回歸 Transformer 輸出了基于先前 token 的下一個(gè) token 的概率分布，研究人員可以輕松地從這個(gè)分布中抽樣，生成完成視覺序列的新視覺 token。
要將模型用于下游任務(wù)，可以在測(cè)試時(shí)構(gòu)建定義任務(wù)的部分視覺序列，并應(yīng)用模型生成輸出。這類似于語言模型中的上下文學(xué)習(xí)或計(jì)算機(jī)視覺中的視覺提示。
實(shí)驗(yàn)結(jié)果與分析
最后，研究人員評(píng)估了模型的擴(kuò)展能力，以及它理解和回答各種提示任務(wù)的能力。
可擴(kuò)展性
研究人員研究了研究人員的模型在訓(xùn)練損失和下游任務(wù)性能方面的擴(kuò)展行為，隨著模型大小的增加以及訓(xùn)練過程中看到的 token 數(shù)量的增加。
訓(xùn)練損失。首先，研究人員檢查了不同參數(shù)大小的 LVM 的訓(xùn)練損失，見下圖。
由于研究人員的所有模型僅在數(shù)據(jù)集上訓(xùn)練了一個(gè) epoch，因此模型只看到每個(gè)數(shù)據(jù)樣本一次，因此在訓(xùn)練過程中的任何時(shí)候的訓(xùn)練損失與驗(yàn)證損失非常相似。
可以觀察到隨著訓(xùn)練的進(jìn)行：
1. 不同大小模型的訓(xùn)練損失（困惑度）持續(xù)下降；
2. 隨著模型規(guī)模（參數(shù)計(jì)數(shù)）的增加，損失下降得更快。這些觀察表明，LVM 在更大的模型和更多數(shù)據(jù)方面顯示出強(qiáng)大的可擴(kuò)展性。
雖然 LVM 在訓(xùn)練過程中整體損失良好地?cái)U(kuò)展，但并不能保證更好的整體模型也會(huì)在特定的下游任務(wù)上表現(xiàn)更好。
因此，研究人員在 4 個(gè)下游任務(wù)上評(píng)估不同大小的模型：語義分割、深度估計(jì)、表面法線估計(jì)和邊緣檢測(cè)。研究人員在 ImageNet 驗(yàn)證集上評(píng)估這些任務(wù)。
對(duì)于每個(gè)任務(wù)，研究人員給出 5 對(duì)輸入和相應(yīng)真實(shí)標(biāo)注以及作為輸入提示的查詢圖像，并評(píng)估研究人員模型對(duì)下一個(gè) 256 個(gè) token（一幅圖像）的真實(shí)標(biāo)注的困惑度預(yù)測(cè)。
下圖中，研究人員展示了，更大的模型確實(shí)在所有任務(wù)上獲得了更低的困惑度，展示了研究人員的可擴(kuò)展整體性能確實(shí)轉(zhuǎn)化為一系列下游任務(wù)。
雖然 LVM 在更大的模型和更多數(shù)據(jù)上獲得了更好的性能，但很自然地一個(gè)問題是，在 UVDv1 中收集的每個(gè)數(shù)據(jù)組件是否有幫助。
為了回答這個(gè)問題，研究人員在研究人員的數(shù)據(jù)集上對(duì)幾個(gè) 3B 模型進(jìn)行了消融研究，這些模型是在研究人員數(shù)據(jù)集的子集上訓(xùn)練的，并比較了它們?cè)谙掠稳蝿?wù)上的表現(xiàn)。
研究人員使用之前相同的 4 個(gè)下游任務(wù)和設(shè)置，并在下圖中展示了結(jié)果。
研究人員觀察到，每個(gè)數(shù)據(jù)組件對(duì)下游任務(wù)都有積極的貢獻(xiàn)。LVM 不僅從更大的數(shù)據(jù)中受益，而且隨著數(shù)據(jù)集中的多樣性（包括標(biāo)注和無監(jiān)督的圖像和視頻數(shù)據(jù)）的增加而改進(jìn)。
順序提示
研究人員首先采用最直觀、最簡單的方法來對(duì) LVM 進(jìn)行視覺提示：順序推理。在這里，提示構(gòu)建非常簡單：研究人員向模型展示 7 幅圖像的序列，并要求它預(yù)測(cè)下一幅圖像（256 個(gè) token）。
對(duì)于順序提示來說，最直接的任務(wù)是視頻預(yù)測(cè)。下圖展示了從 Kinetics-700 驗(yàn)證集序列中提示的幾個(gè)下一幀預(yù)測(cè)示例。
在頂部示例中，7 幀提示（藍(lán)色邊框）后跟著預(yù)測(cè)的幀（紅色邊框）。研究人員觀察到在空間定位、視點(diǎn)和對(duì)象理解方面有一定程度的推理能力。在 Kinetics 驗(yàn)證集上預(yù)測(cè)的困惑度為 49.8。
下面示例顯示了具有更長上下文（15 幀）和更長預(yù)測(cè)（4 幀）的預(yù)測(cè)。
同樣類型的簡單順序提示也可以用其他方式使用。例如，下圖顯示了如何通過提示模型一個(gè)圍繞任意軸的合成對(duì)象的 3D 旋轉(zhuǎn)序列，使其能夠預(yù)測(cè)更進(jìn)一步的旋轉(zhuǎn)。
或者研究人員可以將給定類別的物品列表視為一個(gè)序列，并預(yù)測(cè)該類別中的其他想法，如下圖所示。
值得注意的是，雖然該系統(tǒng)在訓(xùn)練時(shí)是在同一 ImageNet 類別的圖像組上訓(xùn)練的，但這里的提示包括素描，這些素描在任何標(biāo)注數(shù)據(jù)中都沒有出現(xiàn)過。
接下來，研究人員研究了準(zhǔn)確預(yù)測(cè)后續(xù)幀需要多少時(shí)序上下文。
研究人員評(píng)估了模型在不同長度（1 到 15 幀）上下文提示下的幀生成困惑度。下圖所示，在 Kinetics-700 驗(yàn)證集上，從 1 到 11 幀困惑度明顯改善后穩(wěn)定下來（從 62.1 → 48.4）。
類比提示
研究人員的研究通過評(píng)估一個(gè)更復(fù)雜的提示結(jié)構(gòu)來進(jìn)展，研究人員稱之為「類比提示（Analogy Prompting）」。這種方法挑戰(zhàn)模型理解任意長度和復(fù)雜度的類比，從而測(cè)試它的高級(jí)解釋能力。
下圖展示了在多個(gè)任務(wù)上使用類比提示的定性結(jié)果樣本。提示包括 14 幅圖像的序列，給出各種任務(wù)的示例，然后是第 15 幅查詢圖像。給定每個(gè)提示，預(yù)測(cè)的下一幅圖像。
圖的上部展示了幾個(gè)定義訓(xùn)練集中任務(wù)的示例提示（但這些實(shí)際圖像從未在訓(xùn)練中見過）。圖的下部展示了在訓(xùn)練中從未展示過的任務(wù)的泛化。
研究人員展示了在 Pascal 3D+ 上對(duì)關(guān)鍵點(diǎn)檢測(cè)的結(jié)果，使用標(biāo)準(zhǔn)的正確關(guān)鍵點(diǎn)百分比（PCK）度量，閾值為 0.1。值得注意的是，LVM 在未對(duì)此數(shù)據(jù)集進(jìn)行訓(xùn)練的情況下達(dá)到了 81.2 的 PCK，顯示出了令人印象深刻的泛化能力。
相比之下，研究人員展示了一些現(xiàn)有的特定任務(wù)模型：StackedHourglass 的 PCK 為 68.0，MSS-Net 達(dá)到了 68.9 PCK，StarMap 則有 78.6 PCK。
與視覺提示的比較
與研究人員的方法最接近的，也允許定義任意任務(wù)的方法是視覺提示。在下表中，研究人員比較了幾種視覺提示模型在少量樣本分割、對(duì)象檢測(cè)和著色任務(wù)上的表現(xiàn)。研究人員的順序 LVM 在幾乎所有任務(wù)上都超過了之前的方法。
任務(wù)組合
下圖演示了在單個(gè)提示中組合多個(gè)任務(wù)。研究人員展示了旋轉(zhuǎn)任務(wù)與新的關(guān)鍵點(diǎn)對(duì)應(yīng)任務(wù)，并要求模型繼續(xù)這種模式。模型能夠在測(cè)試時(shí)成功地組合這兩個(gè)任務(wù)，顯示出一定程度的組合性。
其他類型的提示
研究人員人員嘗試他們是否可以通過向模型提供它以前沒有見過的各種提示，看看模型能走到哪一步。
下圖展示了一些這樣的提示，效果很不錯(cuò)。
下圖展示了一些不容易用語言描述的提示 —— 這是 LVM 可能最終勝過 LLM 的任務(wù)類型。
參考資料：
https://arxiv.org/abs/2312.00785
廣告聲明：文內(nèi)含有的對(duì)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(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。