多模態(tài)大模型最全綜述來了！

由微軟7位華人研究員撰寫，足足119頁——

它從目前已經(jīng)完善的和還處于最前沿的兩類多模態(tài)大模型研究方向出發(fā)，全面總結(jié)了五個具體研究主題：

視覺理解

視覺生成

統(tǒng)一視覺模型

LLM加持的多模態(tài)大模型

多模態(tài)agent

?并重點關(guān)注到一個現(xiàn)象：

多模態(tài)基礎(chǔ)模型已經(jīng)從專用走向通用

Ps. 這也是為什么論文開頭作者就直接畫了一個哆啦A夢的形象。

誰適合閱讀這份綜述（報告）？

用微軟的原話來說：

只要你想學習多模?態(tài)基礎(chǔ)模型的基礎(chǔ)知識和最新進展，不管你是專業(yè)研究員，還是在校學生，它都是你的“菜”。

一起來看看～

一文摸清多模態(tài)大模型現(xiàn)狀

這五個具體主題中的前2個為目前已經(jīng)成熟的領(lǐng)域，后3個則還屬于前沿領(lǐng)域。

1、視覺理解

這部分的核心問題是如何預(yù)訓練一個強大的圖像理解backbone。

如下圖所示，根據(jù)用于訓練模型的監(jiān)督信號的不同，我們可以將方法分為三類：

標簽監(jiān)督、語言監(jiān)督（以CLIP為代表）和只有圖像的自監(jiān)督。

其中最后一個表示監(jiān)督信號是從圖像本身中挖掘出來的，流行的方法包括對比學習、非對比學習和masked image建模。

在這些方法之外，文章也進一步討論了多模態(tài)融合、區(qū)域級和像素級圖像理解等類別的預(yù)訓練方法。

還列出了以上這些方法各自的代表作品。

2、視覺生成

這個主題是AIGC的核心，不限于圖像生成，還包括視頻、3D點云圖等等。

并且它的用處不止于藝術(shù)、設(shè)計等領(lǐng)域——還非常有助于合成訓練數(shù)據(jù)，直接幫助我們實現(xiàn)多模態(tài)內(nèi)容理解和生成的閉環(huán)。

在這部分，作者重點討論了生成與人類意圖嚴格一致的效果的重要性和方法（重點是圖像生成）。

具體則從空間可控生成、基于文本再編輯、更好地遵循文本提示和生成概念定制（concept customization）四個方面展開。

在本節(jié)最后，作者還分享了他們對當前研究趨勢和短期未來研究方向的看法。

即，開發(fā)一個通用的文生圖模型，它可以更好地遵循人類的意圖，并使上述四個方向都能應(yīng)用得更加靈活并可替代。

同樣列出了四個方向的各自代表作：

3、統(tǒng)一視覺模型

這部分討論了構(gòu)建統(tǒng)一視覺模型的挑戰(zhàn)：

?一是輸入類型不同；

二是不同的任務(wù)需要不同的粒度，輸出也要求不同的格式；

三是在建模之外，數(shù)據(jù)也有挑戰(zhàn)。

比如不同類型的標簽注釋成本差異很大，收集成本比文本數(shù)據(jù)高得多，這導致視覺數(shù)據(jù)的規(guī)模通常比文本語料庫小得多。

不過，盡管挑戰(zhàn)多多，作者指出：

CV領(lǐng)域?qū)τ陂_發(fā)通用、統(tǒng)一的視覺系統(tǒng)的興趣是越來越高漲，還衍生出來三類趨勢：

一是從閉集（closed-set）到開集（open-set），它可以更好地將文本和視覺匹配起來。

二是從特定任務(wù)到通用能力，這個轉(zhuǎn)變最重要的原因還是因為為每一項新任務(wù)都開發(fā)一個新模型的成本實在太高了；

三是從靜態(tài)模型到可提示模型，LLM可以采用不同的語言和上下文提示作為輸入，并在不進行微調(diào)的情況下產(chǎn)生用戶想要的輸出。我們要打造的通用視覺模型應(yīng)該具有相同的上下文學習能力。

4、LLM加持的多模態(tài)大模型

本節(jié)全面探討多模態(tài)大模型。

先是深入研究背景和代表實例，并討論OpenAI的多模態(tài)研究進展，確定該領(lǐng)域現(xiàn)有的研究空白。

接下來作者詳細考察了大語言模型中指令微調(diào)的重要性。

再接著，作者探討了多模態(tài)大模型中的指令微調(diào)工作，包括原理、意義和應(yīng)用。

最后，涉及多模態(tài)模型領(lǐng)域中的一些高階主題，方便我們進行更深入的了解，包括：

更多超越視覺和語言的模態(tài)、多模態(tài)的上下文學習、參數(shù)高效訓練以及Benchmark等內(nèi)容。

5、多模態(tài)agent

所謂多模態(tài)agent，就是一種將不同的多模態(tài)專家與LLM聯(lián)系起來解決復雜多模態(tài)理解問題的辦法。

這部分，作者主要先帶大家回顧了這種模式的轉(zhuǎn)變，總結(jié)該方法與傳統(tǒng)方法的根本差異。

然后以MM-REACT為代表帶大家看了這種方法的具體運作方式。

接著全面總結(jié)了如何構(gòu)建多模態(tài)agent，它在多模態(tài)理解方面的新興能力，以及如何輕松擴展到包含最新、最強的LLM和潛在的數(shù)百萬種工具中。

當然，最后也是一些高階主題討論，包括如何改進/評估多多模態(tài)agent，由它建成的各種應(yīng)用程序等。

作者介紹

本報告一共7位作者。

發(fā)起人和整體負責人為Chunyuan Li。

他是微軟雷德蒙德首席研究員，博士畢業(yè)于杜克大學，最近研究興趣為CV和NLP中的大規(guī)模預(yù)訓練。

他負責了開頭介紹和結(jié)尾總結(jié)以及“利用LLM訓練的多模態(tài)大模型”這章的撰寫。

核心作者一共4位：

Zhe Gan

目前已進入Apple AI/ML工作，負責大規(guī)模視覺和多模態(tài)基礎(chǔ)模型研究。此前是Microsoft Azure AI的首席研究員，北大本碩畢業(yè)，杜克大學博士畢業(yè)。

Zhengyuan Yang

微軟高級研究員，羅切斯特大學博士畢業(yè)，獲得了ACM SIGMM杰出博士獎等榮譽，本科就讀于中科大。

Jianwei Yang

微軟雷德蒙德研究院深度學習小組首席研究員。佐治亞理工學院博士畢業(yè)。

Linjie Li（女）

Microsoft Cloud & AI計算機視覺組研究員，普渡大學碩士畢業(yè)。

他們分別負責了剩下四個主題章節(jié)的撰寫。