國產大模型登頂多模態榜單！解決幻覺、跨語言兩大難題
本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。
國產大模型，登頂多模態榜單！
昆侖萬維最近在大模型圈可謂“風生水起”。
幾天前剛被曝挖來了AI大牛顏水成，出任天工智能聯席CEO。
現在，其「天工」大模型Skywork-MM又登頂多模態榜單，在騰訊優圖實驗室聯合廈門大學開展的多模態大語言模型（Multimodal Large Language Model，簡稱“MLLM”）測評中，綜合得分排名第一。
△MME感知榜第一，認知榜第二，總榜第一
騰訊優圖實驗室聯合廈門大學在新建的評測基準MME上首次對全球范圍內MLLM模型進行了全面定量評測并公布了16個排行榜，包含感知、認知兩個總榜單以及14個子榜單。
MME數據集是一個最近發布的多模態語言模型測評基準。
它通過大型多模態語言模型在涵蓋感知和認知任務的14個子任務上的表現來全面評估模型。
而Skywork-MM只用了不到50M的圖文數據——遠小于其他大模型（>100M），拿下了第一（榜單地址見文末）。
如何做到？
主要是解決了現有多模態大模型中頗為困擾的兩大問題：
幻覺和較弱的跨語言能力。
多模態兩大難
所謂幻覺，是指多模態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特征。
例如面對下面這張圖像。
如果問它“這個男人的頭發是什么顏色？”，即使優秀如LLaVA、MiniGPT-4等多模態大模型，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，主要表現在應對中文場景中的問題回答不盡如人意。
比如辨認下面這張圖片是“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，模型還會直接回復純英文。
這兩大問題嚴重影響著現有多模態大模型的性能。
怎么解決？
三方面入手
昆侖萬維天工大模型Skywork-MM從分別從數據、模型和訓練流程三方面入手。
其中重點是數據和模型。
先看數據。
首先對于幻覺問題。
從本質出發，該問題主要是整個模型訓練過程中使用的數據太偏重正樣本。
也就是說，模型描述的都是圖片中有什么，而沒有學習圖片中沒有什么。
如果訓練過程中再碰上弱相關的圖文數據，模型就更加放飛聯想、形成較嚴重的幻覺。
為此，天工大模型多模態團隊提出以圖像為中心，喂給模型既包含正樣本也包含負樣本的多模態指令微調數據：
這使得模型既能夠學習一張圖像中存在的視覺特征，也能學習到不存在的特征。
這樣，模型的指令跟隨能力便得到增強：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）增強中文的指令追隨能力。
由于“微調指令的文化gap很小”，只需將上面解決幻覺問題中構造的英文指令微調數據翻譯成中文使用。
（2）增強中文相關場景的識別能力。
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行關聯，但是各個語言文化中專有的視覺特征和語言特征的關聯需要大量特殊學習。
因此我們需要加入大規模的中文圖像-文本對數據。
不過，這樣的中文語料并不好收集，一是囿于數據質量，而是困于數量。
怎么辦？
引出Skywork-MM在模型架構上的改進。
為了不讓低質量的圖文數據影響模型效果，天工大模型多模態團隊在設計上選擇將視覺模型和大語言模型完全凍結。
這樣做的目的是保持視覺模型在前置CLIP訓練中學習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，為了更好的關聯不同文化環境中的視覺特征和語言特征，模型整體包含了一個可學習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對問題的回答。
至于訓練流程，主要分為兩階段：
第一階段使用雙語的大規模圖文對數據進行圖像概念和語言概念的關聯學習。
第二階段使用多模態微調數據進行指令微調。
此時，各種類型的指令微調數據（包括正樣本和負樣本）就組成統一的Chat Prompt形式。
Ps. 上圖中的重采樣器和LoRA適配器標記了火焰，它們是可訓練的。
登頂MME綜合榜單
如下表所示，Skywork-MM一共用了大約50M圖文數據，這比當前的同類大模型都要少得多。
但經過以上數據、模型和訓練流程三方面的改進，Skywork-MM效果拔群。
如下圖所示：
它能夠準確理解圖片中的反常行為；
也能聽明白一些特殊的指令（根據選項回答問題，根據風景寫詩，寫廣告詞，寫獲獎感言等等）；
對于中文場景問題，表現得也不再像個“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：
孟非沒有頭發就沒有，不會說成黑色；蘇州園林、非誠勿擾節目一眼認出；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）、認知榜單第二。
這個榜單大約今年6月上線、目前GitHub 4k標星，是當前多模態大模型最新的測評基準之一。
它一共包含14個子任務，其中感知任務除OCR，還包括粗粒度和細粒度對象識別，前者識別對象的存在與否、數量、位置和顏色；后者識別電影海報、名人、場景、地標和藝術品。
認知任務則包括常識推理、數值計算、文本翻譯和代碼推理。
下表顯示Skywork-MM在該榜單感知任務中的OCR+粗粒度識別上的具體得分：
細粒度識別得分：
以及認知任務得分：
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還在另一多模態基準MMBench的開發集上表現出色：
進步空間
需要注意的是，盡管昆侖萬維天工大模型這一最新成果，代表了當前多模態大模型的最高水平，但它還是存在很多進步空間。
例如：
文化和語言障礙仍然存在，還需要我們開發一種多語言的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模、高質量圖像文本對，確保模型準確掌握視覺概念和文本概念的關聯。
除此之外，目前的成果只建立在較小規模的基礎之上（13B），如果研究更大的多模態模型，我們在使用數據、參數設置、訓練策略等方面可能都需要進一步探索。
評估基準也還可以更全面，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榜單來看，現有所有多模態大模型對于根據圖片準確識別物體位置的能力（對實現機器人感知意義重大）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
