OpenAI GPT-4V 和 Google Gemini 都展現(xiàn)了非常強的多模態(tài)理解能力，推動了多模態(tài)大模型（MLLM）快速發(fā)展，MLLM 成為了現(xiàn)在業(yè)界最熱的研究方向。

MLLM 在多種視覺-語言開放任務(wù)中取得了出色的指令跟隨能力。盡管以往多模態(tài)學(xué)習(xí)的研究表明不同模態(tài)之間能夠相互協(xié)同和促進，但是現(xiàn)有的 MLLM 的研究主要關(guān)注提升多模態(tài)任務(wù)的能力，如何平衡模態(tài)協(xié)作的收益與模態(tài)干擾的影響仍然是一個亟待解決的重要問題。

• 論文地址：https://arxiv.org/pdf/2311.04257.pdf
• 代碼地址：https://github.com/X-PLUG/mPLUG-Owl/tree/main/mPLUG-Owl2
• ModelScope 體驗地址： https://modelscope.cn/studios/damo/mPLUG-Owl2/summary
• HuggingFace 體驗地址:https://huggingface.co/spaces/MAGAer13/mPLUG-Owl2

針對這一問題，阿里多模態(tài)大模型 mPLUG-Owl 迎來大升級，通過模態(tài)協(xié)同同時提升純文本和多模態(tài)性能，超過 LLaVA1.5，MiniGPT4，Qwen-VL 等模型，取得多種任務(wù) SOTA。具體的，mPLUG-Owl2 利用共享的功能模塊來促進不同模態(tài)之間的協(xié)作，并引入模態(tài)自適應(yīng)模塊來保留各個模態(tài)自身的特征。通過簡潔有效的設(shè)計，mPLUG-Owl2 在包括純文本和多模態(tài)在內(nèi)的多種任務(wù)上取得了 SOTA 性能，對模態(tài)協(xié)作現(xiàn)象的研究也有助于啟發(fā)未來多模態(tài)大模型的發(fā)展。

圖 1 與現(xiàn)有 MLLM 模型性能對比

方法介紹

mPLUG-Owl2 模型主要由三部分組成：

• Visual Encoder：以 ViT-L/14 作為視覺編碼器，將輸入的分辨率為 H x W 的圖像，轉(zhuǎn)換為 H/14 x W/14 的視覺 tokens 序列，輸入到 Visual Abstractor 中。
• Visual Abstractor：利用一組可學(xué)習(xí)的 query，提取高層次的語義特征，同時降低輸入語言模型的視覺序列的長度。
• 語言模型：使用了 LLaMA-2-7B 作為文本解碼器，并設(shè)計了如圖 3 所示的模態(tài)自適應(yīng)模塊。

圖 2 mPLUG-Owl2 模型結(jié)構(gòu)

為了對齊視覺和語言模態(tài)，現(xiàn)有的工作通常是將視覺特征映射到文本的語義空間中，然而這樣的做法忽視了視覺和文本信息各自的特性，可能由于語義粒度的不匹配影響模型的性能。為了解決這一問題，本文提出模態(tài)自適應(yīng)模塊 (Modality-adaptive Module, MAM)，來將視覺和文本特征映射到共享的語義空間，同時解耦視覺 - 語言表征以保留模態(tài)各自的獨特屬性。

圖 3 Modality-adaptive 模塊示意圖

如圖 3 所示，與傳統(tǒng) Transformer 相比，模態(tài)自適應(yīng)模塊的主要設(shè)計在于：

• 在模塊的輸入、輸出階段，分別對視覺和語言模態(tài)進行 LayerNorm 操作，以適應(yīng)兩種模態(tài)各自的特征分布。
• 在自注意力操作中，對視覺和語言模態(tài)采用分離的 key 和 value 投影矩陣，但采用共享的 query 投影矩陣，通過這樣解耦 key 和 value 投影矩陣，能夠在語義粒度不匹配的情況下，避免兩種模態(tài)之間的干擾。
• 兩種模態(tài)共享相同的 FFN，從而促進模態(tài)間的協(xié)作。

圖 4 mPLUG-Owl2 訓(xùn)練策略

如圖 4 所示，mPLUG-Owl2 的訓(xùn)練包含預(yù)訓(xùn)練和指令微調(diào)兩個階段。預(yù)訓(xùn)練階段主要是為了實現(xiàn)視覺編碼器和語言模型的對齊，在這一階段，Visual Encoder、Visual Abstractor 都是可訓(xùn)練的，語言模型中則只對 Modality Adaptive Module 新增的視覺相關(guān)的模型權(quán)重進行更新。在指令微調(diào)階段，結(jié)合文本和多模態(tài)指令數(shù)據(jù)（如圖 5 所示）對模型的全部參數(shù)進行微調(diào)，以提升模型的指令跟隨能力。

圖 5 mPLUG-Owl2 使用的指令微調(diào)數(shù)據(jù)

實驗及結(jié)果

圖 6 圖像描述和 VQA 任務(wù)性能

圖 7 MLLM 基準(zhǔn)測試性能

如圖 6、圖 7 所示，無論是傳統(tǒng)的圖像描述、VQA 等視覺 - 語言任務(wù)，還是 MMBench、Q-Bench 等面向多模態(tài)大模型的基準(zhǔn)數(shù)據(jù)集上，mPLUG-Owl2 都取得了優(yōu)于現(xiàn)有工作的性能。

圖 8 純文本基準(zhǔn)測試性能

圖 9 模態(tài)自適應(yīng)模塊對純文本任務(wù)性能的影響

此外，為了評估模態(tài)協(xié)同對純文本任務(wù)的影響，作者還測試了 mPLUG-Owl2 在自然語言理解和生成方面的表現(xiàn)。如圖 8 所示，與其他指令微調(diào)的 LLM 相比，mPLUG-Owl2 取得了更好的性能。圖 9 展示的純文本任務(wù)上的性能可以看出，由于模態(tài)自適應(yīng)模塊促進了模態(tài)協(xié)作，模型的考試和知識能力都得到了顯著提高。作者分析，這是由于多模態(tài)協(xié)作使得模型能夠利用視覺信息來理解語言難以描述的概念，并通過圖像中豐富的信息增強模型的推理能力，并間接強化文本的推理能力。

mPLUG-Owl2 展示了很強的多模態(tài)理解能力，有效的緩解多模態(tài)幻覺。相關(guān)多模態(tài)技術(shù)已應(yīng)用于通義星塵、通義智文等核心通義產(chǎn)品，并已在 ModelScope，HuggingFace 開放 Demo。