北大等發(fā)布多模態(tài)版o1！首個慢思考VLM將開源，視覺推理超越閉源模型
北大等出品，首個多模態(tài)版o1開源模型來了——
代號LLaVA-o1，基于Llama-3.2-Vision模型打造，超越傳統(tǒng)思維鏈提示，實現(xiàn)自主“慢思考”推理。
在多模態(tài)推理基準(zhǔn)測試中，LLaVA-o1超越其基礎(chǔ)模型8.9%，并在性能上超越了一眾開閉源模型。
新模型具體如何推理，直接上實例，比如問題是：
減去所有的小亮球和紫色物體，剩下多少個物體？選項：A. 4，B. 8，C. 2，D. 6
傳統(tǒng)提示詞方法還是老路子，讓Llama-3.2-11B-Vision-Instruct打個樣就是：
第一步減去所有的小亮球；
第二步減去所有紫色物體；
最后給出答案，鑒于我們已經(jīng)移除了所有的小亮球，而且一開始就沒有紫色物體，正確答案是C. 2；
哐哐一頓輸出，得出錯誤結(jié)果。
我們再來看LLaVA-o1的推理過程：
總結(jié)階段：問題是什么？我應(yīng)該怎么做？
注釋階段：我能從這張圖片中知道什么？
推理階段：如何一步一步解決問題？
結(jié)論階段：最終答案是什么？
是不是明顯不同。這就對了，LLaVA-o1超越傳統(tǒng)COT思維鏈，采用了結(jié)構(gòu)化、多步驟推理。
簡單說，它將推理過程劃分為四個階段，并在每一階段采用優(yōu)中選優(yōu)策略來為下一階段提供響應(yīng)。
難怪看完最新效果，網(wǎng)友們直呼：推理 is all you need！
看來，讓模型思考更多在多模態(tài)領(lǐng)域也同樣適用——
“第一個能自發(fā)、系統(tǒng)推理的視覺語言模型”
前一陣，o1模型的發(fā)布又帶火了COT思維鏈這一推理模式。（像人類一樣步步思考）
于是，讓模型思考更多是否會提高模型能力成為新的研究熱點(diǎn)。
這不，除了像o1這樣的通用大語言模型，北大團(tuán)隊還瞄上了多模態(tài)這一領(lǐng)域——
他們超越傳統(tǒng)COT思維鏈，采用結(jié)構(gòu)化、多步驟推理，一舉推出多模態(tài)版o1模型——LLaVA-o1。
作者先澄清了一下， 雖然最近的VLM模型有類似名稱，但LLaVA-o1是建立在Llama-3.2-Vision模型之上，而不是LLaVA。
那么，學(xué)會逐步推理的LLaVA-o1有多大提升呢？
根據(jù)論文介紹，僅用一個包含10萬訓(xùn)練樣本的數(shù)據(jù)集，LLaVA-o1在多模態(tài)推理基準(zhǔn)測試中超越了其基礎(chǔ)模型8.9%，并且在性能上超越了更大的模型。
甚至包括一些閉源模型，如Gemini-1.5-pro、GPT-4o-mini和Llama-3.2-90B-Vision-Instruct。
針對這一提升，團(tuán)隊也發(fā)現(xiàn)了背后的關(guān)鍵原因：
結(jié)構(gòu)化響應(yīng)顯著提高了模型的系統(tǒng)推理能力
為了使LLaVA-o1更加結(jié)構(gòu)化和系統(tǒng)化，團(tuán)隊設(shè)計了4個標(biāo)簽來幫助模型識別當(dāng)前的推理階段，并使用GPT-4o來生成LLaVA-o1-100k數(shù)據(jù)集。
- <摘要>：該模型簡要解釋了接下來的任務(wù)
- <標(biāo)題>：它描述了圖像中的重要細(xì)節(jié)（如果有）
- <理由>：它詳細(xì)分析了這個問題
- <結(jié)論>：它基于分析提供最終答案
借助這些標(biāo)簽，LLaVA-o1將推理過程劃分為四個明確的階段：總結(jié)（Summary）、視覺解釋（Caption）、邏輯推理（Reasoning）和結(jié)論生成（Conclusion）。
與思維鏈提示不同，LLaVA-o1獨(dú)立參與了這些連續(xù)階段。
不過需要提醒，在LLaVA-o1的推理過程中，前三個階段都在內(nèi)部處理（對用戶隱藏），而最終結(jié)論階段才是用戶可以看到并直接與之交互的。
采用這種設(shè)計，可以使模型在不向用戶暴露復(fù)雜推理細(xì)節(jié)的情況下，提供清晰和準(zhǔn)確的答案。
接下來，LLaVA-o1通過監(jiān)督微調(diào)和階段級光束搜索方法（stage-level beam search method）來進(jìn)一步提升推理能力和推理時間的可擴(kuò)展性。
這里我們重點(diǎn)說一下團(tuán)隊創(chuàng)新提出的階段級光束搜索方法。
簡單說，團(tuán)隊為每個階段（用標(biāo)簽標(biāo)記）生成多個響應(yīng)，并選擇其中最佳的一個進(jìn)入下一階段。
更具體的，這是一種用于推理時間擴(kuò)展（Inference-time scaling）的技術(shù)，與傳統(tǒng)方法不同，階段級光束搜索專注于模型推理過程中的每個獨(dú)立階段。
在這種方法中，模型在每個推理階段生成多個候選結(jié)果，然后從中選擇最佳的結(jié)果繼續(xù)下一個階段的推理。
由于它允許模型在每個階段進(jìn)行選擇和優(yōu)化，從而提高了整體推理的質(zhì)量。
通過這種分階段的搜索策略，LLaVA-o1能夠更有效地進(jìn)行推理，尤其是在處理復(fù)雜的多模態(tài)推理任務(wù)時。
最后，通過對Llama-3.2-11B-Vision-Instruct模型的微調(diào)，結(jié)果顯示：
LLaVA-o1在多模態(tài)推理基準(zhǔn)測試上使用10萬個訓(xùn)練樣本和簡單的推理時間擴(kuò)展方法，實現(xiàn)了8.9%的性能提升，超越了同等規(guī)模以及更大或閉源的模型。
北大、鵬城實驗室等團(tuán)隊出品
簡單認(rèn)識一下研究背后的團(tuán)隊，論文作者一共6人，下面一一介紹。
Guowei Xu，目前本科就讀于清華姚班，對強(qiáng)化學(xué)習(xí)、機(jī)器人和科學(xué)領(lǐng)域的AI應(yīng)用感興趣。
去年入學(xué)以來，他已在國際學(xué)術(shù)會議上參與發(fā)表多篇論文，并獲得2024新生一等獎。
Peng Jin（金鵬），曾在清華大學(xué)獲得學(xué)士學(xué)位，目前是北大三年級博士生，師從袁粒。
他對文本-視頻檢索、跨模態(tài)表示學(xué)習(xí)以及多模態(tài)大語言模型感興趣，從2022年9月至今，已有11篇論文被頂會接收。
和他同樣北大博三，師從袁粒的，還有Hao Li（李昊），不過李昊之前畢業(yè)于北大計算機(jī)科學(xué)系。
李昊對多模態(tài)學(xué)習(xí)、視覺理解和化學(xué)科學(xué)人工智能感興趣，至今已在國際頂會上發(fā)表了20多篇論文，總谷歌學(xué)術(shù)引用量300+。
而他們的老師袁粒，量子位的讀者想必都很熟悉了。
袁粒目前是北大深圳研究生院助理教授，專注于多模態(tài)深度學(xué)習(xí)研究方向，一作論文單篇被引用千余次。
屢屢登上熱搜的ChatExcel、ChatLaw等垂直領(lǐng)域產(chǎn)品，都是出自他的團(tuán)隊。
另外兩位作者：
Yibing Song（宋奕兵），目前是阿里達(dá)摩院研究員/研究經(jīng)理，之前還是復(fù)旦大學(xué)的一名教師，并在騰訊AI實驗室擔(dān)任高級研究員。
他當(dāng)前主要對多模態(tài)AI感興趣，至今發(fā)表了50多篇頂級論文，而且被斯坦福大學(xué)選為全球前2%的科學(xué)家之一。
Lichao Sun，目前是美國萊赫大學(xué)計算機(jī)科學(xué)與工程系助理教授。
在此之前，他于2020年在伊利諾伊大學(xué)芝加哥分校獲得計算機(jī)科學(xué)博士學(xué)位。
他還是多項獎項的獲得者，包括2024年微軟加速基礎(chǔ)模型研究獎、2024年OpenAI研究員獎和NSF CRII獎。
接下來，團(tuán)隊宣布LLaVA-o1的代碼、預(yù)訓(xùn)練權(quán)重、數(shù)據(jù)集等即將全部開源。
感興趣的童鞋可以蹲一波了~
論文：https://arxiv.org/abs/2411.10440
GitHub：https://github.com/PKU-YuanGroup/LLaVA-o1
