我們知道，預(yù)訓(xùn)練LLM已經(jīng)取得了諸多驚人的成就， 然而其明顯的劣勢是不支持其他模態(tài)（包括圖像、語音、視頻模態(tài)）的輸入和輸出，那么如何在預(yù)訓(xùn)練LLM的基礎(chǔ)上引入跨模態(tài)的信息，讓其變得更強(qiáng)大、更通用呢？本節(jié)將介紹“大模型+多模態(tài)”的3種實(shí)現(xiàn)方法。

01

以LLM為核心，調(diào)用其他多模態(tài)組件

2023年5月，微軟亞洲研究院（MSRA）聯(lián)合浙江大學(xué)發(fā)布了HuggingGPT框架，該框架能夠以LLM為核心，調(diào)用其他的多模態(tài)組件來合作完成復(fù)雜的AI任務(wù)（更多細(xì)節(jié)可參見Yongliang Shen等人發(fā)表的論文“HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in HuggingFace”）。HuggingGPT框架的原理示意圖如圖1所示。下面根據(jù)論文中提到的示例來一步一步地拆解 HuggingGPT框架的執(zhí)行過程。

圖1

假如現(xiàn)在你要執(zhí)行這樣一個(gè)復(fù)雜的AI任務(wù)：生成一張一個(gè)小女孩正在讀書的照片，要求她的姿勢和示例照片中的小男孩的姿勢相同，然后用你的聲音來描述新生成的照片。HuggingGPT框架把執(zhí)行這個(gè)復(fù)雜AI任務(wù)的過程分成了4個(gè)步驟。

（1）任務(wù)規(guī)劃（Task Planning）。使用LLM了解用戶的意圖，并將用戶的意圖拆分為詳細(xì)的執(zhí)行步驟。如圖5-10左上部分所示，將輸入指令拆分為6個(gè)子步驟。

子步驟1：根據(jù)小男孩的圖像Image-1，生成小男孩的姿勢輪廓Image-2。

子步驟 2：根據(jù)提示文本“小女孩正在讀書”及小男孩的姿勢輪廓Image-2生成小女孩的圖像Image-3。

子步驟3：根據(jù)小女孩的圖像Image-3，對圖像信息進(jìn)行分類。

子步驟4：根據(jù)小女孩的圖像Image-3，對圖像信息進(jìn)行目標(biāo)檢測，生成帶目標(biāo)框的圖像Image-4。

子步驟5：根據(jù)小女孩的圖像Image-3，對圖像信息進(jìn)行描述，生成描述文本，并在Image-4中完成目標(biāo)框和描述文本的配對。

子步驟6：根據(jù)描述文本生成語音Audio-1。

（2）模型選擇（Model Selection）。根據(jù)步驟（1）中拆分的不同子步驟，從Hugging Face平臺(tái)（一個(gè)包含多個(gè)模型的開源平臺(tái)）中選取最合適的模型。對于子步驟1中的輪廓生成任務(wù)，選取OpenCV的openpose control模型；對于子步驟2中的圖像生成任務(wù)，選取sd-controlnet-openpose模型；對于子步驟3中的圖像分類任務(wù)，選取谷歌的vit-base-patch16-224模型；對于子步驟4中的目標(biāo)檢測任務(wù)，選取Facebook的detr-resnet-101模型；對于子步驟5中的圖像描述任務(wù)，選取nlpconnect開源項(xiàng)目的vit-gpt2-Image-captioning模型；對于子步驟6中的語音生成任務(wù)，選取Facebook的fastspeech2-en- ljspeech模型。

（3）任務(wù)執(zhí)行（Task Execution）。調(diào)用步驟（2）中選定的各個(gè)模型依次執(zhí)行，并將執(zhí)行的結(jié)果返回給LLM。

（4）響應(yīng)生成（Response Generation）。使用LLM對步驟（3）中各個(gè)模型返回的結(jié)果進(jìn)行整合，得到最終的結(jié)果并進(jìn)行輸出。

HuggingGPT框架能夠以LLM為核心，并智能調(diào)用其他多模態(tài)組件來處理復(fù)雜的AI任務(wù)，原理簡單，使用方便，可擴(kuò)展性強(qiáng)。另外，其執(zhí)行效率和穩(wěn)定性在未來有待進(jìn)一步加強(qiáng)。

02

基于多模態(tài)對齊數(shù)據(jù)訓(xùn)練多模態(tài)大模型

這種方法是直接利用多模態(tài)的對齊數(shù)據(jù)來訓(xùn)練多模態(tài)大模型，《多模態(tài)大模型：技術(shù)原理與實(shí)戰(zhàn)》一書5.3節(jié)中介紹了諸多模型，例如VideoBERT、CLIP、CoCa、CoDi等都是基于這種思路實(shí)現(xiàn)的。

這種方法的核心理念是分別構(gòu)建多個(gè)單模態(tài)編碼器，得到各自的特征向量，然后基于類Transformer對各個(gè)模態(tài)的特征進(jìn)行交互和融合，實(shí)現(xiàn)在多模態(tài)的語義空間對齊。

由此訓(xùn)練得到的多模態(tài)大模型具備很強(qiáng)的泛化能力和小樣本、零樣本推理能力，這得益于大規(guī)模的多模態(tài)對齊的預(yù)訓(xùn)練語料。與此同時(shí)，由于訓(xùn)練參數(shù)量較大，往往需要較多的訓(xùn)練資源和較長的訓(xùn)練時(shí)長。

03

以LLM為底座模型，訓(xùn)練跨模態(tài)編碼器

這種方法的特色是以預(yù)訓(xùn)練好的LLM為底座模型，凍結(jié)LLM的大部分參數(shù)來訓(xùn)練跨模態(tài)編碼器，既能夠有效地利用LLM強(qiáng)大的自然語言理解和推理能力，又能完成復(fù)雜的多模態(tài)任務(wù)。這種訓(xùn)練方法還有一個(gè)顯而易見的好處，在訓(xùn)練過程中對LLM的大部分參數(shù)進(jìn)行了凍結(jié)，導(dǎo)致模型可訓(xùn)練的參數(shù)量遠(yuǎn)遠(yuǎn)小于真正的多模態(tài)大模型，因此其訓(xùn)練時(shí)長較短，對訓(xùn)練資源的要求也不高。下面以多模態(tài)大模型LLaVA為例介紹這種方法的主要構(gòu)建流程。

2023年4月，威斯康星大學(xué)麥迪遜分校等機(jī)構(gòu)聯(lián)合發(fā)布了多模態(tài)大模型LLaVA。LLaVA模型在視覺問答、圖像描述、物體識(shí)別、多輪對話等任務(wù)中表現(xiàn)得極其出色，一方面具有強(qiáng)大的自然語言理解和自然語言推理能力，能夠準(zhǔn)確地理解用戶輸入的指令和意圖，支持以多輪對話的方式與用戶進(jìn)行交流，另一方面能夠很好地理解輸入圖像的語義信息，準(zhǔn)確地完成圖像描述、視覺問答、物體識(shí)別等多模態(tài)任務(wù)。LLaVA模型的原理示意圖如圖2所示。

圖2

在訓(xùn)練數(shù)據(jù)上，LLaVA模型使用了高質(zhì)量的多模態(tài)指令數(shù)據(jù)集，并且這些數(shù)據(jù)都是通過GPT-4生成的。這個(gè)指令數(shù)據(jù)集包含基于圖像的對話數(shù)據(jù)、詳細(xì)描述數(shù)據(jù)和復(fù)雜推理數(shù)據(jù)，共15萬條，數(shù)據(jù)的質(zhì)量和多樣性較高。LLaVA模型將多模態(tài)指令數(shù)據(jù)集應(yīng)用到了多模態(tài)任務(wù)上，這是指令微調(diào)擴(kuò)展到多模態(tài)領(lǐng)域的第一次嘗試。

在模型架構(gòu)上，LLaVA模型使用Vicuna模型作為文本編碼器，使用CLIP模型作為圖像編碼器。

第一個(gè)階段，基于59.5萬條CC3M文本-圖像對齊數(shù)據(jù)，訓(xùn)練跨模態(tài)編碼器，以便將文本特征和圖像特征進(jìn)行語義對齊。這里的跨模態(tài)編碼器其實(shí)是一個(gè)簡單的投影映射層，在訓(xùn)練時(shí)凍結(jié)LLM的參數(shù)，僅僅對投影映射層的參數(shù)進(jìn)行更新。

第二個(gè)階段，基于15萬條多模態(tài)指令數(shù)據(jù)，對多模態(tài)大模型進(jìn)行端到端的指令微調(diào)，具體針對視覺問答和多模態(tài)推理任務(wù)進(jìn)行模型訓(xùn)練。值得注意的是，LLaVA模型在訓(xùn)練的第二個(gè)階段會(huì)對LLM和投影映射層的參數(shù)都進(jìn)行相應(yīng)的更新，仍然存在一定的時(shí)間開銷和訓(xùn)練資源依賴，這也是后續(xù)研究工作的一個(gè)重要方向。

2023年5月2日，LLaVA官方發(fā)布了輕量級的LLaVA Lightning模型（可以翻譯為輕量級的LLaVA模型），使用8個(gè)RTX A100型號(hào)的顯卡，3小時(shí)即可完成訓(xùn)練，總訓(xùn)練成本僅為40美元。

審核編輯：劉清