訓(xùn)完130億參數(shù)通用視覺語言大模型，只需3天！

北大和中山大學(xué)團(tuán)隊(duì)又出招了——在最新研究中，研究團(tuán)隊(duì)提出了一種構(gòu)建統(tǒng)一的圖片和視頻表征的框架。

利用這種框架，可以大大減少VLM（視覺語言大模型）在訓(xùn)練和推理過程中的開銷。

具體而言，團(tuán)隊(duì)按照提出的新框架，訓(xùn)練了一個(gè)新的VLM：Chat-UniVi。

Chat-UniVi能在混合圖片和視頻數(shù)據(jù)的情況下進(jìn)行訓(xùn)練，并同時(shí)處理圖片任務(wù)和視頻理解任務(wù)。

以此為基礎(chǔ)，Chat-UniVi在圖片及視頻上的17個(gè)基準(zhǔn)上，都表現(xiàn)得還不錯(cuò)。

現(xiàn)在，項(xiàng)目已經(jīng)在GitHub和抱抱臉上開源。

更多關(guān)于新方法和Chat-UniVi的詳細(xì)信息，我們一起進(jìn)一步來看看～

Chat-UniVi是什么？

了解基礎(chǔ)信息后，我們?cè)敿?xì)地聊聊Chat-UniVi究竟是什么——

簡(jiǎn)單來說，Chat-UniVi是一個(gè)統(tǒng)一的多模態(tài)大型語言模型，可以同時(shí)理解圖像和視頻。

目前VLM運(yùn)用的方法，偏圖片理解的，往往使用大量視覺tokens來獲得更精細(xì)的空間分辨率。

偏視頻理解的方法，則常常選擇犧牲每幀的空間分辨率，以輸入更多幀來構(gòu)建更精細(xì)的時(shí)間理解能力。

與它們不同，Chat-UniVi采用動(dòng)態(tài)視覺token來統(tǒng)一表示圖像和視頻，動(dòng)態(tài)token合并方法是無參數(shù)的，不需要額外訓(xùn)練。

而動(dòng)態(tài)token的來源，是漸進(jìn)地聚類視覺token。

為了獲取這些動(dòng)態(tài)的視覺token，研究人員基于最近鄰的密度峰聚類算法，逐步對(duì)視覺token進(jìn)行分組和合并。

其中，圖片可以通過不同大小的視覺token進(jìn)行建模。

舉個(gè)??：

圖中的羊就需要相對(duì)更多的視覺token進(jìn)行細(xì)粒度表示；但背景里的雪山，一個(gè)視覺token就可以充分搞定建模。

至于視頻，處理視頻時(shí)，同樣采用最近鄰的密度峰聚類算法，以獲取事件的幀集合。

Chat-UniVi會(huì)把它劃分為多個(gè)關(guān)鍵事件，然后在事件內(nèi)部拓展視覺token。

當(dāng)然了，如果使用這種方法，更長(zhǎng)的視頻就會(huì)被分配到更多的視覺token，因此如果身處可變長(zhǎng)度視頻的情境下，這種方式比現(xiàn)有方式更有優(yōu)勢(shì)。

總而言之，這種圖片和視頻的統(tǒng)一表示，一邊減少了視覺token的數(shù)量，一邊又保持了模型的表達(dá)能力。

同時(shí)又由于視覺token數(shù)量的減少，利用這種方式訓(xùn)練模型和進(jìn)行推理的成本，會(huì)大幅度降低——練一個(gè)具有130億參數(shù)的VLM，只需要3天。

多提一嘴，為了進(jìn)一步提升模型性能，團(tuán)隊(duì)還為L(zhǎng)LM提供了一個(gè)多尺度表征。

多尺度表征的上層特征表示高級(jí)語義概念，而下層特征則強(qiáng)調(diào)了視覺細(xì)節(jié)的表示。

說到這，我們可以總結(jié)出Chat-UniVi的2大特點(diǎn)：

第一，因?yàn)楠?dú)特的建模方法，Chat-UniVi的訓(xùn)練數(shù)據(jù)集可以是圖片與視頻的混合版，并且無需任何修改，就可以直接應(yīng)用在圖片和視頻任務(wù)上。

第二，多尺度表征能幫助Chat-UniVi對(duì)圖片和視頻進(jìn)行更到位、更全面的理解。

這也導(dǎo)致了Chat-UniVi的任務(wù)適應(yīng)性更強(qiáng)，包括使用高層次特征進(jìn)行語義理解，以及利用低層次特征生成詳細(xì)描述。

分兩階段訓(xùn)練

Chat-UniVi的訓(xùn)練分為兩個(gè)階段。

第一步是多模態(tài)預(yù)訓(xùn)練。

在這個(gè)階段，研究人員凍結(jié)了LLM和視覺編碼器，同時(shí)只對(duì)投影矩陣進(jìn)行訓(xùn)練。

這種訓(xùn)練策略使得模型能夠有效地捕獲視覺信息，而不會(huì)對(duì)LLM的性能造成任何明顯的損害。

第二步是聯(lián)合指令微調(diào)。

在第二階段，團(tuán)隊(duì)對(duì)整個(gè)模型進(jìn)行了全參數(shù)微調(diào)，使用了一個(gè)包含圖片和視頻的混合數(shù)據(jù)集。

通過在混合數(shù)據(jù)集上進(jìn)行聯(lián)合訓(xùn)練，Chat-UniVi實(shí)現(xiàn)了對(duì)大量指令的卓越理解，并生成了更自然、更可靠的輸出。

訓(xùn)練過程中，團(tuán)隊(duì)進(jìn)行了如下實(shí)驗(yàn)：

圖片理解實(shí)驗(yàn)

Chat-UniVi在使用更少的視覺標(biāo)記的同時(shí)，性能表現(xiàn)也很不錯(cuò)。

7B參數(shù)的Chat-UniVi模型能達(dá)到13B大小LLaVA模型的性能水平。這證明了該方法的有效性。

視頻理解實(shí)驗(yàn)

作為一個(gè)統(tǒng)一的VLM，Chat-UniVi超越了專門針對(duì)視頻設(shè)計(jì)的方法，如VideoChat和Video-ChatGPT。

圖片問答實(shí)驗(yàn)

Chat-UniVi在ScienceQA數(shù)據(jù)集上性能表現(xiàn)良好，其性能優(yōu)于專門針對(duì)科學(xué)問答進(jìn)行優(yōu)化的LLaMA-SciTune模型。

視頻問答實(shí)驗(yàn)

在所有數(shù)據(jù)集上，Chat-UniVi均表現(xiàn)優(yōu)于最先進(jìn)的方法，如VideoChat和Video-ChatGPT等。

幻覺實(shí)驗(yàn)

在幻覺評(píng)估方面，Chat-UniVi表現(xiàn)優(yōu)于最近提出的最先進(jìn)方法。

值得注意的是，作為一個(gè)7B模型，Chat-UniVi在性能上超越了13B參數(shù)大小的MiniGPT-4。

研究人員將這一成功歸功于多尺度表征，這使得模型能夠同時(shí)感知高級(jí)語義概念和低級(jí)視覺外觀。

人工評(píng)測(cè)實(shí)驗(yàn)

同時(shí)，研究人員還進(jìn)行了人工評(píng)估實(shí)驗(yàn)。

他們發(fā)現(xiàn)，基于Flamingo的方法在理解視頻的能力上存在局限性。這種限制歸因于它們使用Q-Former從不同長(zhǎng)度的視頻中提取固定數(shù)量的視覺標(biāo)記，這阻礙了它們?cè)诮r(shí)間理解方面的有效性。

相比之下，作為一個(gè)統(tǒng)一的模型，Chat-UniVi不僅優(yōu)于基于Flamingo構(gòu)建的方法，而且超越了專門為圖片和視頻設(shè)計(jì)的模型。

可視化

Chat-UniVi所采用的動(dòng)態(tài)視覺token巧妙地概括了對(duì)象和背景。

這使得Chat-UniVi能夠以有限數(shù)量的視覺token，同時(shí)建模圖片理解所需的細(xì)粒度空間分辨率和視頻理解所需的細(xì)粒度時(shí)間分辨率。

團(tuán)隊(duì)介紹

論文一作是北大信息工程學(xué)院博三學(xué)生金鵬。

通訊作者袁粒，北大信息工程學(xué)院助理教授、博士生導(dǎo)師。

其研究方向?yàn)槎嗄B(tài)深度學(xué)習(xí)和AI4S，其中AI4S方向主要研究深度學(xué)習(xí)解決化學(xué)生物中的重大問題。

此前網(wǎng)絡(luò)大火的ChatExcel、ChatLaw等垂直領(lǐng)域大模型項(xiàng)目都出自袁粒團(tuán)隊(duì)。

arXiv：https://arxiv.org/pdf/2311.08046.pdf
Demo：https://huggingface.co/spaces/Chat-UniVi/Chat-UniVi
GitHub：https://github.com/PKU-YuanGroup/Chat-UniVi
抱抱臉：https://huggingface.co/Chat-UniVi