今年是AI技術(shù)爆發(fā)式發(fā)展的一年，以ChatGPT為代表的大語言模型（LLM）大火。

語言模型除了在自然語言領(lǐng)域顯示出巨大的潛力之外，也開始逐漸輻射到其他模態(tài)，比如文生圖模型Stable Diffusion的背后也需要語言模型。

從頭開始訓(xùn)練一個視覺-語言模型（VL-LLM）往往需要消耗大量的資源，所以現(xiàn)有的解決方案都是把語言模型和視覺提示生成模型（Visual Prompt Generator, VPG）連接起來，但即便如此，繼續(xù)調(diào)整VPG仍然需要幾千個GPU小時和數(shù)百萬的訓(xùn)練數(shù)據(jù)。

最近，來自新加坡國立大學(xué)和清華大學(xué)的研究人員提出了一個解決方案VPGTrans，將現(xiàn)有的VPG遷移到現(xiàn)有的VL-LLM模型中，就能以低成本的方式獲得目標VL-LLM模型。

論文鏈接：https://arxiv.org/abs/2305.01278

代碼鏈接：https://github.com/VPGTrans/VPGTrans

多模態(tài)對話模型Demo：https://vpgtrans.github.io/

作者：張傲，費豪，姚遠，吉煒，黎力，劉知遠，Chua Tat-Seng

單位：新加坡國立大學(xué)，清華大學(xué)

文章的主要創(chuàng)新點包括：

1. 極低訓(xùn)練成本：

通過我們提出的VPGTrans方法，可以快速（少于10%訓(xùn)練時間）將已有的多模態(tài)對話模型的視覺模塊遷移到新的語言模型，且達到類似或更優(yōu)效果。

比如，相比于從頭訓(xùn)練視覺模塊，我們可以將BLIP-2 FlanT5-XXL的訓(xùn)練開銷從19000+人民幣縮減到不到1000元：

圖1：基于我們的VPGTrans方法的BLIP-2訓(xùn)練開銷縮減對比

2. 多模態(tài)大模型定制：

通過我們的VPGTrans框架可以根據(jù)需求為各種新的大語言模型靈活添加視覺模塊。比如我們在LLaMA-7B和Vicuna-7B基礎(chǔ)上制作了VL-LLaMA和VL-Vicuna。

3. 開源多模態(tài)對話模型：

我們開源了VL-Vicuna，類GPT-4多模態(tài)對話模型，可實現(xiàn)高質(zhì)量的多模態(tài)對話：

圖2：VL-Vicuna的交互實例

一、動機介紹

1.1 背景

LLM在多模態(tài)理解領(lǐng)域掀起了一股從傳統(tǒng)預(yù)訓(xùn)練視覺語言模型（VLM）到基于大語言模型的視覺語言模型（VL-LLM）的變革。

通過為LLM接入視覺模塊，VL-LLM可以繼承已有LLM的知識，零樣本泛化能力，推理能力和規(guī)劃能力等。相關(guān)模型有BLIP-2[1]，F(xiàn)lamingo[2]，PALM-E等。

圖3：常用的VL-LLM架構(gòu)

現(xiàn)有的常用的VL-LLM基本采取圖3所示的架構(gòu)：在一個基座LLM基礎(chǔ)上訓(xùn)練一個視覺soft prompt生成模塊（Visual Prompt Generator, VPG），以及一個進行維度變換的線性層（Projector）。

在參數(shù)規(guī)模上，LLM一般占主要部分（比如11B），VPG占次要部分（比如1.2B），Projector最小（4M）。

在訓(xùn)練過程中，LLM參數(shù)一般不會被更新，或者僅僅更新非常少量的參數(shù)。可訓(xùn)練參數(shù)主要來自于VPG和projector。

1.2 動機

實際上，即便基座LLM的參數(shù)凍結(jié)不訓(xùn)，但由于LLM的大參數(shù)量，訓(xùn)練一個VL-LLM的關(guān)鍵開銷依然在于加載基座LLM。

因此訓(xùn)練一個VL-LLM依然無法避免極大的計算代價。比如，要得到BLIP-2（基座LLM為FlanT5-XXL）需要付出超過600個小時的A100訓(xùn)練時長。如果租用亞馬遜的A100-40G機器，大概需要將近2萬元人民幣的費用。

既然從零訓(xùn)練一個VPG代價如此昂貴，那么我們開始思考能否把一個已有的VPG遷移到新的LLM上來節(jié)省開銷。

圖4：VPG遷移: 跨LLM大小遷移和跨LLM類型遷移

如圖4所示，我們主要探索了兩種類型的VPG的遷移:

（1）跨LLM大小遷移（TaS）：比如從OPT-2.7B到OPT-6.7B。

（2）跨LLM類型遷移（TaT）：比如從OPT到FlanT5。

其中TaS的意義在于：在LLM相關(guān)科研中，我們通常需要在小LLM上調(diào)參，再擴展到大LLM。有了TaS，我們可以在調(diào)參之后，把小LLM上已經(jīng)訓(xùn)好的VPG直接遷移到大LLM上。

TaT的意義在于：不同功能種類的LLM層出不窮，比如今天有了LLaMA，明天又有了Alpaca和Vicuna。TaT可以讓我們利用已有的VPG快速為新語言模型添加視覺感知能力。

1.3 貢獻

（1）提出高效的方法：

我們首先通過一系列的探究實驗，探究了影響VPG遷移效率的關(guān)鍵因素。根據(jù)探索實驗發(fā)現(xiàn)，我們提出了一個兩階段的高效遷移框架VPGTrans。該框架可以大幅度縮減訓(xùn)練VL-LLM所需的計算開銷和需要的訓(xùn)練數(shù)據(jù)。

比如，相比于從頭訓(xùn)練，我們通過BLIP-2 OPT-2.7B到6.7B的VPG遷移，可以僅用大約10%的數(shù)據(jù)和計算時間就達成各個數(shù)據(jù)集相似或更好的效果（圖1）。訓(xùn)練花銷從17901人民幣到1673元。

（2）得到有趣的發(fā)現(xiàn)：

我們同時提供了TaS和TaT場景下一些有趣的發(fā)現(xiàn)，并嘗試給出解釋:

a) TaS場景下，使用VPGTrans從小到大遷移不會影響最終模型效果。

b) TaS場景下，越小的語言模型上訓(xùn)練的VPG，遷移到大模型時效率越高，最終效果越好。

c) TaT場景下，越小的模型之間遷移的gap越大。在我們驗證實驗中，OPT350M和FlanT5-base使用VPGTrans互相遷移幾乎和從頭訓(xùn)練一樣慢。

（3）開源：

我們使用VPGTrans得到了兩個新的VL-LLMs：VL-LLaMA和VL-Vicuna，并開源在了社區(qū)上。其中VL-Vicuna實現(xiàn)了類GPT4的高質(zhì)量的多模態(tài)對話。

二、高效率的VPG遷移方案：VPGTrans

首先我們進行一系列的探索驗證實驗，分析如何最大化對于VPG的遷移效率。接著我們基于這些重要觀察提出一個解決方案。

2.1 探究實驗

我們選取BLIP-2架構(gòu)作為我們的基礎(chǔ)模型，預(yù)訓(xùn)練語料采用COCO和SBU，總共1.4M圖文對。

下游任務(wù)采用COCO Caption, NoCaps, VQAv2, GQA和OK-VQA的zero-shot設(shè)定進行評測(對caption任務(wù)并非嚴格zero-shot)。下面是我們的關(guān)鍵發(fā)現(xiàn):

（1）直接繼承一個訓(xùn)練好的VPG可以加速收斂，但效果有限：

我們發(fā)現(xiàn)，直接遷移一個LLM上訓(xùn)練好的VPG到大LLM可以加速模型收斂，但加速效果有限，且收斂后模型效果相比于從頭訓(xùn)練VPG會掉點（圖5的VQAv2、GQA藍線最高點均低于橘線）。

我們猜測，這個掉點是由于隨機初始化的projector會在訓(xùn)練起始階段損傷VPG中已有的視覺感知能力。

圖5：VPG inherit (藍線): 直接繼承訓(xùn)練好的VPG。train from scratch (橘線):從頭訓(xùn)練VPG。only linear (綠線):只訓(xùn)練linear projector不訓(xùn)練VPG。

（2）先warm-up訓(xùn)練projector可以防止掉點，且進一步加速收斂：

于是，我們固定住VPG和LLM，先warm-up訓(xùn)練projector 3個epoch，再解凍VPG進行下一步訓(xùn)練。

我們發(fā)現(xiàn)，這樣不僅僅可以避免掉點情況，還能夠進一步加速VPG收斂（圖6）。

但值得強調(diào)的是，由于訓(xùn)練的主要開銷在LLM（參數(shù)巨多），僅僅訓(xùn)練projector的開銷不會比同時訓(xùn)練VPG和projector的開銷小太多。

所以，我們開始探究加速projector warm-up的關(guān)鍵技術(shù)。

圖6：先warm-up訓(xùn)練projector可以防止掉點+加速收斂

（3）詞向量轉(zhuǎn)化器初始化可以加速projector warm-up：

首先，VPG是通過把圖像轉(zhuǎn)化為LLM可以理解的soft prompt來產(chǎn)生效果的。而soft prompt的使用方式和詞向量其實是非常相似的，都是直接輸入語言模型來提示模型產(chǎn)生對應(yīng)內(nèi)容。

所以，我們使用詞向量來作為soft prompt的一個代理，訓(xùn)練了一個

的詞向量轉(zhuǎn)化器（一個線性層）。

然后，我們將詞向量轉(zhuǎn)化器和

通過這個初始化，我們可以將projector的warm-up訓(xùn)練由3個epoch減為2個epoch。

（4）projector可以在超大學(xué)習(xí)率下快速收斂：

我們進一步實驗發(fā)現(xiàn)，projector由于其參數(shù)量較少，可以使用5倍的正常學(xué)習(xí)率進行訓(xùn)練而不崩潰。

通過5倍學(xué)習(xí)率的訓(xùn)練，projector warm-up可以進一步被縮短到１個epoch。

（5）一個附加發(fā)現(xiàn)：

雖然projector warm-up很重要，但僅訓(xùn)練projector是不夠的。尤其在caption任務(wù)上面，僅僅訓(xùn)練projector的效果要比同時訓(xùn)練VPG的效果差一截（圖5綠線在COCO Caption和NoCaps均遠低于藍線）。

這也就意味著，僅僅訓(xùn)練projector會導(dǎo)致欠擬合，也就是無法充分對齊到訓(xùn)練數(shù)據(jù)。

2.2 我們所提出的方法

圖7：VPGTrans框架: (1) 一階段:projector的warm-up (2) 二階段: 整體微調(diào)

如圖7所示，我們的方法共分為兩個階段：

（1）第一階段：我們首先使用詞向量轉(zhuǎn)化器和原有projector進行融合作為新projector的初始化，然后用5倍學(xué)習(xí)率訓(xùn)練新projector一個epoch。

（2）第二階段：直接正常訓(xùn)練VPG和projector。

三、實驗結(jié)果

3.1 加速比

表1：我們的VPGTrans的相比于從頭訓(xùn)練在各個數(shù)據(jù)集的加速比

如表1所示，我們測試了不同遷移類型下，VPGTrans在不同數(shù)據(jù)集上的加速比。

VPGTrans在某指定數(shù)據(jù)集A上的加速比是通過從頭訓(xùn)練達到A上最佳效果a的輪數(shù)除以VPGTrans在A上效果超過a的最小訓(xùn)練輪數(shù)得到。

比如，從頭在OPT-2.7B上訓(xùn)練VPG，在COCO caption達到最佳效果需要10個epoch，但從OPT-125M遷移VPG到OPT-2.7B，僅需1個epoch就能達到該最佳效果。則加速比為10/1=10倍。

我們可以看到，無論是在TaS還是在TaT場景下，我們的VPGTrans都可以實現(xiàn)穩(wěn)定的加速。

3.2 有趣的發(fā)現(xiàn)

我們選取了一個比較有趣的發(fā)現(xiàn)進行了說明，其他更多更有意思的發(fā)現(xiàn)請參照我們的論文。

TaS場景下，越小的語言模型上訓(xùn)練的VPG，遷移起來效率越高，最后模型效果越好。參考表1，我們可以發(fā)現(xiàn)OPT-1.3B到OPT-2.7B的加速比要遠小于OPT-125M、OPT-350M到OPT-2.7b的加速比。

我們嘗試提供了一個解釋：一般越大的語言模型，由于其文本空間的維度更高，會更容易損害VPG（VPG一般都是類似于CLIP的預(yù)訓(xùn)練模型）本身的視覺感知能力。我們通過類似于linear probing的方式進行了驗證：

圖8：僅訓(xùn)練linear projector層的跨LLM大小遷移 (模擬linear probing)

如圖8所示，我們進行了OPT-125M，350M，1.3B，2.7B之間的跨LLM大小的遷移。

在實驗中，為了公平對比不同模型大小下訓(xùn)練過的VPG的視覺感知能力，我們固定住VPG的參數(shù)僅僅訓(xùn)練linear projector層。我們選取了COCO Caption上的SPICE指標作為視覺感知能力的衡量手段。

不難發(fā)現(xiàn)，對于每一個給定的，幾乎都符合越小，最終SPICE越高的一個現(xiàn)象。

3.3 大規(guī)模實驗

前文實驗主要是在小規(guī)模場景下驗證猜想。為了證明我們的方法的有效性，我們模擬BLIP-2的預(yù)訓(xùn)練過程進行了大規(guī)模實驗：

表2：真實場景下的大規(guī)模實驗結(jié)果

如表2所示，我們的VPGTrans在大規(guī)模場景下依然有效。通過OPT-2.7B到OPT-6.7B的遷移，我們僅用10.8%的數(shù)據(jù)和不到10%的訓(xùn)練時長達到了相似或更優(yōu)的效果。

尤其是，我們的方法在BLIP-2以FlanT5-XXL為基座的VL-LLM實現(xiàn)了4.7%的訓(xùn)練成本控制。

四、定制您的VL-LLMs

我們的VPGTrans可以快速為任意新的LLMs添加視覺感知模塊，從而得到一個全新的高質(zhì)量VL-LLM。在本工作，我們額外訓(xùn)練了一個VL-LLaMA和一個VL-Vicuna。其中VL-LLaMA的效果如下:

表3：VL-LLaMA的效果展示

同時，我們的VL-Vicuna可以進行類GPT-4的多模態(tài)對話。我們和MiniGPT-4進行了簡單的比較:

五、總結(jié)

在這項工作中，我們對VPG在LLM之間的可遷移性問題進行了全面調(diào)查。我們首先探討了最大化遷移效率的關(guān)鍵因素。

基于關(guān)鍵觀察，我們提出了一種新穎的兩階段遷移框架，即VPGTrans。它可以在顯著降低訓(xùn)練成本的同時，實現(xiàn)相當或更好的性能。

通過VPGTrans，我們實現(xiàn)了從BLIP-2 OPT 2.7B到BLIP-2 OPT 6.7B的VPG遷移。相較于從零開始連接VPG到OPT 6.7B，VPGTrans僅需10.7%訓(xùn)練數(shù)據(jù)和不到10%的訓(xùn)練時長。

此外，我們展示并討論了一系列有趣發(fā)現(xiàn)及其背后的可能原因。最后，我們通過訓(xùn)練VL-LLaMA和LL-Vicuna，展示了我們的VPGTrans在定制新的VL-LLM方面的實際價值。