機器之心報道
機器之心編輯部
多模態大型語言模型進展如何？盤點 26 個當前最佳多模態大型語言模型。
當前 AI 領域的關註重心正從大型語言模型（LLM）向多模態轉移，於是乎，讓 LLM 具備多模態能力的多模態大型語言模型（MM-LLM）就成了一個備受關註的研究主題。
近日，騰訊 AI Lab、京都大學和穆罕默德・本・紮耶德人工智能大學的一個研究團隊發佈了一份綜述報告，全面梳理了 MM-LLM 的近期進展。文中不僅總結了 MM-LLM 的模型架構和訓練流程，而且還梳理了 26 個當前最佳的 MM-LLM。如果你正考慮研究或使用 MM-LLM，不妨考慮從這份報告開始研究，找到最符合你需求的模型。
- 論文標題：MM-LLMs: Recent Advances in MultiModal Large Language Models
- 論文地址：https://arxiv.org/abs/2401.13601
報告概覽
近些年來，多模態（MM）預訓練研究進展迅速，讓許多下遊任務的性能不斷突破到新的邊界。但是，隨著模型和數據集規模不斷擴大，傳統多模態模型也遭遇了計算成本過高的問題，尤其是當從頭開始訓練時。考慮到多模態研究位於多種模態的交叉領域，一種合乎邏輯的方法是充分利用現成的預訓練單模態基礎模型，尤其是強大的大型語言模型（LLM）。
這一策略的目標是降低多模態預訓練的計算成本並提升其效率，這樣一來就催生出了一個全新領域：MM-LLM，即多模態大型語言模型。
MM-LLM 使用 LLM 提供認知功能，讓其處理各種多模態任務。LLM 能提供多種所需能力，比如穩健的語言泛化能力、零樣本遷移能力和上下文學習（ICL）。與此同時，其它模態的基礎模型卻能提供高質量的表征。考慮到不同模態的基礎模型都是分開預訓練的，因此 MM-LLM 面臨的核心挑戰是如何有效地將 LLM 與其它模態的模型連接起來以實現協作推理。
在這個領域內，人們關註的主要焦點是優化提升模態之間的對齊（alignment）以及讓模型與人類意圖對齊。這方面使用的主要工作流程是多模態預訓練（MM PT） 多模態指令微調（MM IT）。
2023 年發佈的 GPT-4 (Vision) 和 Gemini 展現出了出色的多模態理解和生成能力；由此激發了人們對 MM-LLM 的研究熱情。
一開始，研究社區主要關註的是多模態內容理解和文本生成，此類模型包括 (Open) Flamingo、BLIP-2、Kosmos-1、LLaVA/LLaVA-1.5、MiniGPT-4、MultiModal-GPT、VideoChat、Video-LLaMA、IDEFICS、Fuyu-8B、Qwen-Audio。
為了創造出能同時支持多模態輸入和輸出的 MM-LLM，還有一些研究工作探索了特定模態的生成，比如 Kosmos-2 和 MiniGPT-5 研究的是圖像生成，SpeechGPT 則聚焦於語音生成。
近期人們關註的重點是模仿類似人類的任意模態到任意模態的轉換，而這或許是一條通往通用人工智能（AGI）之路。
一些研究的目標是將 LLM 與外部工具合並，以達到近似的任意到任意的多模態理解和生成；這類研究包括 Visual-ChatGPT、ViperGPT、MM-REACT、HuggingGPT、AudioGPT。
反過來，為了減少級聯系統中傳播的錯誤，也有一些研究團隊想要打造出端到端式的任意模態 MM-LLM；這類研究包括 NExT-GPT 和 CoDi-2。
圖 1 給出了 MM-LLM 的時間線。
為了促進 MM-LLM 的研究發展，騰訊 AI Lab、京都大學和穆罕默德・本・紮耶德人工智能大學的這個團隊整理出了這份綜述報告。機器之心整理了該報告的主幹部分，尤其是其中對 26 個當前最佳（SOTA）MM-LLM 的介紹。
模型架構
這一節，該團隊詳細梳理了一般模型架構的五大組件，另外還會介紹每個組件的實現選擇，如圖 2 所示。
專註於多模態理解的 MM-LLM 僅包含前三個組件。
在訓練階段，模態編碼器、LLM 骨幹和模態生成器通常保持在凍結狀態。其優化的要點是輸入和輸出投影器。由於投影器是輕量級的組件，因此相比於總參數量，MM-LLM 中可訓練參數的占比非常小（通常約為 2%）。總參數量取決於 MM-LLM 中使用的核心 LLM 的規模。因此，在針對各種多模態任務訓練 MM-LLM 時，可以取得很高的訓練效率。
模態編碼器（Modality Encoder/ME）：編碼不同模態的輸入，以得到相應的特征。
輸入投影器（Input Projector）：將已編碼的其它模態的特征與文本特征空間對齊。
LLM 骨幹：MM-LLM 使用 LLM 作為核心智能體，因此也繼承了 LLM 的一些重要特性，比如零樣本泛化、少樣本上下文學習、思維鏈（CoT）和指令遵從。LLM 骨幹的任務是處理各種模態的表征，其中涉及到與輸入相關的語義理解、推理和決策。它的輸出包括 (1) 直接的文本輸出，(2) 其它模態的信號 token（如果有的話）。這些信號 token 可用作引導生成器的指令 —— 是否生成多模態內容，如果是，則指定所要生成的內容。
MM-LLM 中常用的 LLM 包括 Flan-T5、ChatGLM、UL2、Qwen、Chinchilla、OPT、PaLM、LLaMA、LLaMA-2、Vicuna。
輸出投影器：將來自 LLM 骨幹的信號 token 表征映射成可被後續模態生成器理解的特征。
模態生成器：生成不同對應模態的輸出。目前的研究工作通常是使用現有的隱擴散模型（LDM），即使用 Stable Diffusion 來合成圖像、使用 Zeroscope 來合成視頻、使用 AudioLDM-2 來合成音頻。
訓練流程
MM-LLM 的訓練流程可以分為兩個主要階段：MM PT（多模態預訓練）和 MM IT（多模態指令微調）。
MM PT
在預訓練階段（通常是利用 XText 數據集），通過優化預定義的目標來訓練輸入和輸出投影器，使其對齊不同的模態。（有時候也會將參數高效型微調（PEFT）技術用於 LLM 骨幹。）
MM IT
MM IT 這種方法需要使用一組指令格式的數據集對預訓練的 MM-LLM 進行微調。通過這個微調過程，MM-LLM 可以泛化到未曾見過的任務，執行新指令，從而增強零樣本性能。
MM IT 包含監督式微調（SFT）和根據人類反饋的強化學習（RLHF），目標是與人類意圖或偏好對齊並提升 MM-LLM 的交互能力。
SFT 可將預訓練階段的部分數據轉換成指令感知型的格式。
SFT 之後，RLHF 會對模型進行進一步的微調，這需要有關 MM-LLM 所給響應的反饋信息（比如由人類或 AI 標註的自然語言反饋（NLF））。這個過程采用了一種強化學習算法來有效整合不可微分的 NLF。模型的訓練目標是根據 NLF 生成對應的響應。
現有的 MM-LLM 在 MM PT 和 MM IT 階段使用的數據集有很多，但它們都是表 3 和表 4 中數據集的子集。
當前最佳的 MM-LLM
該團隊比較了 26 個當前最佳（SOTA）MM-LLM 的架構和訓練數據集規模，如表 1 所示。另外他們還簡單總結了每種模型的核心貢獻和發展趨勢。
(1) Flamingo：一系列設計用於處理交織融合的視覺數據和文本的視覺語言（VL）模型，可輸出自由形式的文本。
(2) BLIP-2：提出了一種能更高效利用資源的框架，其中使用了輕量級的 Q-Former 來連接不同模態，還使用了凍結的 LLM。使用 LLM，可通過自然語言 prompt 引導 BLIP-2 執行零樣本圖像到文本生成。
(3) LLaVA：率先將指令微調技術遷移到多模態領域。為了解決數據稀疏性問題，LLaVA 使用 ChatGPT/GPT-4 創建了一個全新的開源多模態指令遵從數據集和一個多模態指令遵從基準 LLaVA-Bench。
(4) MiniGPT-4：提出了一種經過精簡的方法，其中僅訓練一個線性層來對齊預訓練視覺編碼器與 LLM。這種高效方法展現出的能力能媲美 GPT-4。
(5) mPLUG-Owl：提出了一種全新的用於 MM-LLM 的模塊化訓練框架，並整合了視覺上下文。為了評估不同模型在多模態任務上的性能，該框架還包含一個指示性的評估數據集 OwlEval。
(6) X-LLM：擴展到了包括音頻在內的多個模態，展現出了強大的可擴展性。利用了 QFormer 的語言可遷移能力，X-LLM 成功在漢藏語系漢語語境中得到了應用。
(7) VideoChat：開創了一種高效的以聊天為中心的 MM-LLM 可用於進行視頻理解對話。這項研究為該領域的未來研究設定了標準，並為學術界和產業界提供了協議。
(8) InstructBLIP：該模型是基於 BLIP-2 模型訓練得到的，在 MM IT 階段僅更新了 Q-Former。通過引入指令感知型的視覺特征提取和對應的指令，該模型可以提取靈活且多樣化的特征。
(9) PandaGPT 是一種開創性的通用模型，有能力理解 6 種不同模態的指令並遵照行事：文本、圖像 / 視頻、音頻、熱量、深度和慣性測量單位。
(10) PaLIX：其訓練過程使用了混合的視覺語言目標和單模態目標，包括前綴補全和掩碼 token 補全。研究表明，這種方法可以有效用於下遊任務，並在微調設置中到達了帕累托邊界。
(11) Video-LLaMA：提出了一種多分支跨模態預訓練框架，讓 LLM 可以在與人類對話的同時處理給定視頻的視覺和音頻內容。該框架對齊了視覺與語言以及音頻與語言。
(12) Video-ChatGPT：該模型是專門針對視頻對話任務設計的，可以通過整合時空視覺表征來生成有關視頻的討論。
(13) Shikra：提出了一種簡單但統一的預訓練 MM-LLM，並且專門針對參考對話（Referential Dialogue）任務進行了調整。參考對話任務涉及到討論圖像中的區域和目標。該模型表現出了值得稱道的泛化能力，可有效處理未曾見過的情況。
(14) DLP：提出了用於預測理想 prompt 的 P-Former，並在一個單模態語句的數據集上完成了訓練。這表明單模態訓練可以用於增強多模態學習。
(15) BuboGPT：為了全面理解多模態內容，該模型在構建時學習了一個共享式語義空間。其探索了圖像、文本和音頻等不同模態之間的細粒度關系。
(16) ChatSpot：提出了一種簡單卻有效的方法，可為 MM-LLM 精細化調整精確引用指令，從而促進細粒度的交互。通過集成精確引用指令（由圖像級和區域級指令構成），多粒度視覺語言任務描述得以增強。
(17) Qwen-VL：一種支持英語和漢語的多語言 MM-LLM。Qwen-VL 還允許在訓練階段輸入多張圖像，這能提高其理解視覺上下文的能力。
(18) NExT-GPT：這是一種端到端、通用且支持任意模態到任意模態的 MM-LLM，支持自由輸入和輸出圖像、視頻、音頻和文本。其采用了一種輕量的對齊策略 —— 在編碼階段使用以 LLM 為中心的對齊，在解碼階段使用指令遵從對齊。
(19) MiniGPT-5：這種 MM-LLM 整合了轉化成生成式 voken 的技術，並集成了 Stable Diffusion。它擅長執行交織融合了視覺語言輸出的多模態生成任務。其在訓練階段加入了無分類器指導，以提升生成質量。
(20) LLaVA-1.5：該模型基於 LLaVA 框架並進行了簡單的修改，包括使用一種 MLP 投影，引入針對學術任務調整過的 VQA 數據，以及使用響應格式簡單的 prompt。這些調整讓模型的多模態理解能力得到了提升。
(21) MiniGPT-v2：這種 MM-LLM 的設計目標是作為多樣化視覺語言多任務學習的一個統一接口。為了打造出能熟練處理多種視覺語言任務的單一模型，每個任務的訓練和推理階段都整合了標識符（identifier）。這有助於明確的任務區分，並最終提升學習效率。
(22) CogVLM：一種開源 MM-LLM，其通過一種用在註意力和前饋層中的可訓練視覺專傢模塊搭建了不同模態之間的橋梁。這能讓多模態特征深度融合，同時不會損害在下遊 NLP 任務上的性能。
(23) DRESS：提出了一種使用自然語言反饋提升與人類偏好的對齊效果的方法。DRESS 擴展了條件式強化學習算法以整合不可微分的自然語言反饋，並以此訓練模型根據反饋生成適當的響應。
(24) X-InstructBLIP：提出了一種使用指令感知型表征的跨模態框架，足以擴展用於助力 LLM 處理跨多模態（包括圖像 / 視頻、音頻和 3D）的多樣化任務。值得註意的是，它不需要特定模態的預訓練就能做到這一點。
(25) CoDi-2：這是一種多模態生成模型，可以出色地執行多模態融合的指令遵從、上下文生成以及多輪對話形式的用戶 - 模型交互。它是對 CoDi 的增強，使其可以處理復雜的模態交織的輸入和指令，以自回歸的方式生成隱含特征。
(26) VILA：該模型在視覺任務上的性能出色，並能在保持純文本能力的同時表現出卓越的推理能力。VILA 之所以性能優異，是因為其充分利用了 LLM 的學習能力，使用了圖像 - 文本對的融合屬性並實現了精細的文本數據重新混合。
當前 MM-LLM 的發展趨勢：
(1) 從專註於多模態理解向特定模態生成發展，並進一步向任意模態到任意模態轉換發展（比如 MiniGPT-4 → MiniGPT-5 → NExT-GPT）。
(2) 從 MM PT 到 SFT 再到 RLHF，訓練流程持續不斷優化，力求更好地與人類意圖對齊並增強模型的對話互動能力（比如 BLIP-2 → InstructBLIP → DRESS）。
(3) 擁抱多樣化的模態擴展（比如 BLIP-2 → X-LLM 和 InstructBLIP → X-InstructBLIP）。
(4) 整合質量更高的訓練數據集（比如 LLaVA → LLaVA-1.5）。
(5) 采用更高效的模型架構，從 BLIP-2 和 DLP 中復雜的 Q-Former 和 P-Former 輸入投射器模塊到 VILA 中更簡單卻有效的線性投影器。
基準和性能
為了全面比較各模型的性能，該團隊編制了一個表格，其中包含從多篇論文中收集的主要 MM-LLM 的數據，涉及 18 個視覺語言基準，見表 2。
未來方向
該團隊最後討論了 MM-LLM 領域比較有前景的一些未來研究方向：
- 更強大的模型：增強 MM-LLM 的能力，其中主要通過這四個關鍵途徑：擴展模態、實現 LLM 多樣化、提升多模態指令微調的數據集質量、增強多模態生成能力。
- 難度更大的基準
- 移動 / 輕量級部署
- 具身智能
- 持續指令微調