雖然大家一直在期待谷歌、OpenAI 等等擁有無限資金儲備和頂尖人才的大廠做出新的 Sota 模型。不過，一家默默耕耘的創(chuàng)業(yè)公司 Ai2 發(fā)布了一款多模態(tài)人工智能模型 Molmo。

在下面展示的視頻中，我們可以看到 Molmo 就像鋼鐵俠的「賈維斯」一樣萬能。想賣自行車，咨詢一下 Molmo 的建議，僅靠一張照片，Molmo 就能把自行車的顏色、品牌和二手售價搞清楚，并且?guī)湍銓懗鲆痪漤樋诘膹V告語。

它也可以從虛擬世界幫你解決現(xiàn)實世界的問題，說一句：「Molmo，幫我買杯星巴克的南瓜拿鐵?！故Ｏ碌木筒挥脛邮至?，打開外賣網(wǎng)頁、點餐、付款，Molmo 一氣呵成。你所要做的，就是坐在家中，靜候咖啡送到你的手中。

機器之心也嘗試了一下他們在線發(fā)布的 Demo 模型。相較于宣傳視頻，其功能還很有限，所以我們讓其執(zhí)行了圖像描述任務(wù)，可以看到 Molmo 在細節(jié)描述和準確度上的表現(xiàn)確實很不錯，它甚至能注意到貓背上的小玩具：「玩具看起來像一只綠色的老鼠，鼻子是粉紅色的，尾巴是蓬松的，羽毛色彩繽紛?！?/span>

但遺憾的是，Molmo 的漢語輸出能力非常有限，即使我們明確要求其輸出漢語，它也未能辦到：

除了 Demo，從數(shù)據(jù)來看，Molmo 的表現(xiàn)也足夠驚艷。在人類測評和一系列測試集中，Molmo 的得分擊敗了 Claude 3.5 Sonnet、GPT4V 等一眾頂尖模型，甚至可以媲美 GPT4o。

不過，Molmo 的體量更小，卻能「以小搏大」，性能超越了比它的參數(shù)量大十倍的其他模型。據(jù) Ai2 首席執(zhí)行官 Ali Farhadi 稱，Molmo 的體積小到可以在本地運行，它無需 API、無需訂閱、更無需成本高昂的液冷 GPU 集群。

更重要的是 Molmo 完全免費且開源，所有的權(quán)重、代碼、數(shù)據(jù)和評估流程都即將公布。

部分模型權(quán)重、推理代碼和一個基于 Molmo-7B-D 模型的公開演示已經(jīng)可以使用。

體驗鏈接：https://huggingface.co/collections/allenai/molmo-66f379e6fe3b8ef090a8ca19

Ai2 又是如何做到「四兩撥千金」的呢？答案在 Ai2 公布的技術(shù)報告和論文中，這個秘訣就是：數(shù)據(jù)。

論文鏈接：https://molmo.allenai.org/paper.pdf

目前，最先進的多模態(tài)模型大多是閉源的，即使有一些開源的模型表現(xiàn)不錯，但它們通常依賴于專有模型生成的合成數(shù)據(jù)。因此，如何從零開始構(gòu)建高性能 VLM，對于開源社區(qū)來說，種種基礎(chǔ)知識都很難獲得。

各大多模態(tài)模型的開源程度

如上圖所示，Ai2 的研究團隊統(tǒng)計了目前 VLM 的開源程度，除了直接看模型的權(quán)重、數(shù)據(jù)和代碼是否公開，他們還考慮了模型是否依賴于其他閉源模型。如果一個模型在訓練中用了其他專有模型生成的數(shù)據(jù)，那它就被標記為「蒸餾」，這意味著它無法完全獨立再現(xiàn)。

針對「閉源」的瓶頸，Ai2 使用語音描述收集了一個高細節(jié)度的圖像描述數(shù)據(jù)集，這個數(shù)據(jù)集完全由人工標注，并可以公開訪問。

該團隊認為提升模型性能的訣竅是使用更少但質(zhì)量更好的數(shù)據(jù)。面對數(shù)十億張圖像，不可能僅靠人力完成篩選、精細標注和去重的工作，因此，他們沒有選擇 scaling law，而是精心挑選并注釋了 60 萬張圖像。

數(shù)據(jù)集鏈接：https://docs.google.com/forms/u/0/d/e/1FAIpQLSdML1MhNNBDsCHpgWG65Oydg2SjZzVasyqlP08nBrWjZp_c7A/formResponse?pli=1

為了讓 Molmo 能處理更多任務(wù)，Ai2 還引入了一個多樣化的數(shù)據(jù)混合對模型進一步微調(diào)，其中就包括一種獨特的二維「指向」數(shù)據(jù)。

因為現(xiàn)在市面上的多模態(tài)模型的工作原理是把圖片、聲音、文字等多種模態(tài)轉(zhuǎn)換成自然語言的表示，而基于「指向」數(shù)據(jù)的 Molmo 更進一步，它可以用非語言的方式（如指向物體）進行解答。

比如，向 Molmo 提問：「你可以指出這塊白板上的哪個模型的訓練時間最短嗎？」它不僅能用語音準確回答，還能直接用箭頭「指向」它是從哪些數(shù)據(jù)中得到答案的。

Molmo 用紅色的波紋標出了自己識別的對象。

要求 Molmo 數(shù)圖中有多少只狗，它的計數(shù)方法是在每只狗的臉上畫一個點。如果要求它數(shù)狗狗舌頭的數(shù)量，它會在每只舌頭上畫一個點。

「指向」讓 Molmo 能夠在零樣本的情況下執(zhí)行更廣泛的任務(wù)，同時，無需查看網(wǎng)站的代碼，它可以懂得如何瀏覽頁面、提交表單。

這種能力也讓 Molmo 更自然地連接現(xiàn)實世界和數(shù)字世界，為下一代應(yīng)用程序提供全新的互動方式。

PixMo：數(shù)據(jù)質(zhì)量勝過數(shù)量

通常而言，要訓練一個大型 VLM，需要數(shù)以十億計的圖像 - 文本對數(shù)據(jù)。而這些數(shù)據(jù)往往取自網(wǎng)絡(luò)，因此噪聲很高。模型就需要在訓練過程中分離信號與噪聲。有噪聲文本還會導致模型輸出出現(xiàn)幻覺。

基于這樣的考慮，該團隊采用了不同的方法來獲取數(shù)據(jù)。他們將數(shù)據(jù)質(zhì)量放在了更重要的位置，結(jié)果發(fā)現(xiàn)，使用少于 1M 的圖像 - 文本對就足以訓練出強大的模型 —— 這比許多其它同類方法少了 3 個數(shù)量級。

Molmo 系列模型之所以能取得成功，最關(guān)鍵的要素莫過于 PixMo——Molmo 的訓練數(shù)據(jù)。

Pixmo 包含兩大類數(shù)據(jù)：(1) 用于多模式預(yù)訓練的密集描述數(shù)據(jù)和 (2) 用于實現(xiàn)各種用戶交互的監(jiān)督式微調(diào)數(shù)據(jù)，包括問答、文檔閱讀和指向等行為。

該團隊表示，在收集這些數(shù)據(jù)時，主要限制是避免使用已有的 VLM，因為「我們希望從頭構(gòu)建一個高性能 VLM」，而不是蒸餾某個已有的系統(tǒng)（但注意，他們也確實會使用僅語言的 LLM，但并不會把圖像輸入這些模型）。

在實踐中，要讓人類來標注大量數(shù)據(jù)是非常困難的。而且人類編寫的圖像描述往往僅會提及一些突出的視覺元素，而缺乏細節(jié)。如果強制要求最低字數(shù)，標注者要么需要花費太長時間，使收集過程成本高昂，要么就會從專有 VLM 復(fù)制粘貼響應(yīng)，這又會違背避免蒸餾模型的目標。

因此，開放研究社區(qū)一直在努力，在不依賴專有 VLM 的合成數(shù)據(jù)的前提下，創(chuàng)建這樣的數(shù)據(jù)集。

該團隊提出了一種簡單但有效的數(shù)據(jù)收集方法，可以避免這些問題：讓標注者用語音描述圖像 60 到 90 秒，而不是要求他們打字。他們讓標注者詳細描述他們看到的一切，包括空間定位和關(guān)系的描述。

從結(jié)果上看，該團隊發(fā)現(xiàn)，通過這種模態(tài)切換「技巧」，標注者可以在更短的時間內(nèi)提供更詳細的描述，并且對于每個描述都有對應(yīng)的錄音，可證明未使用 VLM。

總的來說，他們收集了 71.2 萬幅圖像的詳細音頻描述，涵蓋 50 個高層級主題。

他們的混合微調(diào)數(shù)據(jù)包含了標準的學術(shù)數(shù)據(jù)集以及一些新收集的數(shù)據(jù)集，這些新數(shù)據(jù)集也將會公開發(fā)布。學術(shù)數(shù)據(jù)集主要用于使模型在基準測試數(shù)據(jù)上表現(xiàn)良好，而新收集的數(shù)據(jù)集則能賦予模型大量重要功能，包括在與用戶聊天時能夠回答關(guān)于圖像的一般性問題（超出學術(shù)基準數(shù)據(jù)范圍）、提升 OCR 相關(guān)任務(wù)（如讀取文檔和圖表）、精準識別模擬時鐘的時間，以及在圖像中指向一個或多個視覺元素。

指向功能可為圖像中的像素提供自然的解釋，從而帶來 Molmo 全新且更強大的能力。該團隊認為，指向?qū)⒊蔀?VLM 和智能體之間重要的交流方式。例如，一個機器人可以查詢具有指向功能的 VLM 以獲得路徑點或要拾取物體的位置，而一個網(wǎng)頁智能體可以查詢 VLM 以定位需要點擊的用戶界面元素。這組系列數(shù)據(jù)集也分為以下六個：

• PixMo-Cap：用于預(yù)訓練 VLM 的數(shù)據(jù)集，可讓其理解圖像細節(jié)，其中包含 71.2 萬張不同圖像和大約 130 萬個密集圖像描述。
• PixMo-AskModelAnything：其設(shè)計目標是讓 AI 模型可回答有關(guān)圖像的不同問題。其中包含 16.2 個問答對，涉及 7.3 萬圖像。其中問題由人類標注者編寫，答案則來自一個語言模型。
• PixMo-Points：其中的圖像描述數(shù)據(jù)是關(guān)于圖像中物體的位置。該數(shù)據(jù)集包含 230 萬個問題 - 位置點對，涉及 42.8 萬張圖像。
• PixMo-CapQA：包含 21.4 萬個問答對，涉及 16.5 萬個使用語言模型生成的圖像描述。
• PixMo-Docs：包含 25.5 萬張帶有大量文本和圖表（表格、文檔、圖表）的圖像，還有語言模型生成的相應(yīng)代碼。另有 230 萬對基于生成的代碼生成的問答。
• PixMo-Clocks：這是一個合成數(shù)據(jù)集，其中包含 82.6 萬張不同款式的模擬時鐘圖像，以及有關(guān)相應(yīng)時間的問答。

基準評估和大規(guī)模人類偏好排名

為了進行全面的評估，該團隊既使用了學術(shù)基準評測，也執(zhí)行了人類評估以根據(jù)用戶偏好對模型進行排名。

從結(jié)果上看，學術(shù)基準評測結(jié)果與人類評估結(jié)果高度一致。唯一的例外是 Qwen VL2，其在學術(shù)基準上表現(xiàn)很好，但在人類評估中表現(xiàn)相對較差。

該團隊總結(jié)得到了一些關(guān)鍵結(jié)果，并表示「Small is the new big, less is the new more」，詳情如下：

• Molmo 系列模型中最高效的是 MolmoE-1B，其基于完全開放的 OLMoE-1B-7B 混合專家 LLM，在學術(shù)基準和人類評估上的表現(xiàn)接近 GPT-4V。
• 在學術(shù)基準和人類評估基準上，兩個 Molmo-7B 模型的表現(xiàn)大概在 GPT-4V 和 GPT-4o 之間，并且在這兩個基準上均顯著優(yōu)于近期發(fā)布的 Pixtral 12B 模型。
• 表現(xiàn)最好的 Molmo-72B 在學術(shù)基準上取得了最高分，但人類評估基準上則僅次于 GPT-4o，居于第二。
• 表現(xiàn)最好的 Molmo-72B 也勝過當前最佳的一些專有系統(tǒng)，包括 Gemini 1.5 Pro 和 Flash 以及 Claude 3.5 Sonnet。

在接受 TechCrunch 的采訪時， Ai2 首席執(zhí)行官 Ali Farhadi 表示，人工智能界有條定律 ——「越大越好」，訓練數(shù)據(jù)越多，模型中的參數(shù)就越多，需要的算力也就越多。但發(fā)展到一定階段時，「scaling law」就會遇到瓶頸，根本無法繼續(xù)擴大模型規(guī)模了：沒有足夠的數(shù)據(jù)、或者計算成本和時間變得太高，以至于弄巧成拙。你只能利用現(xiàn)有的資源，或者更好的辦法是，用更少的資源做更多的事情。

Ai2 首席執(zhí)行官 Ali Farhadi

模型架構(gòu)

Molmo 的模型架構(gòu)采用了簡單的標準設(shè)計，也就是將一個語言模型和一個圖像編碼器組合起來。其包含 4 個組件：

1. 預(yù)處理器，其作用是將輸入圖像轉(zhuǎn)換為一組多尺寸和經(jīng)過不同裁剪的圖像；
2. ViT 圖像編碼器，其作用是將每一張圖像都獨立映射成一組視覺 token；
3. 連接器，其作用是使用 MLP 將視覺 token 投影成語言模型的輸入維度，然后匯集視覺 token 以減少其數(shù)量；
4. 僅解碼器 Transformer LLM。

該團隊基于這一模板構(gòu)建了一個模型系列。通過選擇不同的視覺編碼器和 LLM 可以為其賦予不同的參數(shù)。在這些選擇基礎(chǔ)上，所有模型的后續(xù)訓練數(shù)據(jù)和方案都一樣。

對于視覺編碼器，他們發(fā)布的所有模型均使用 OpenAI 的 ViT-L/14 336px CLIP 模型，該模型的效果好且質(zhì)量穩(wěn)定。

對于 LLM，他們采用不同的規(guī)模，基于不同的開放程度訓練了模型：OLMo-7B-1024 的權(quán)重和數(shù)據(jù)完全開放的（使用了 2024 年 10 月的預(yù)發(fā)布權(quán)重，其將于晚些時候公布）、高效的 OLMoE-1B-7B-0924 也是完全開放權(quán)重和數(shù)據(jù)，Qwen2 7B、Qwen2 72B、Mistral 7B、Gemma2 9B 則是僅開放權(quán)重。新發(fā)布的是該系列的 4 個樣本。

他們的訓練過程也很簡單，首先從已經(jīng)獨立完成預(yù)訓練的視覺編碼器和 LLM 開始，接下來分為兩個階段：

1. 多模態(tài)預(yù)訓練，以使用他們新收集的描述數(shù)據(jù)生成描述；
2. 使用上述混合數(shù)據(jù)集進行監(jiān)督式微調(diào)。

這兩個階段都會對所有參數(shù)進行更新，并且過程中不使用 RLHF。

發(fā)布計劃

該團隊首次發(fā)布就分量十足，包含一個演示模型、推理代碼、一份簡要的技術(shù)報告和以下模型權(quán)重：

• MolmoE-1B，由 1B（活躍參數(shù)量）的專家模型構(gòu)成的混合專家模型，共 7B
• Molmo-7B-O，最開放的 7B 模型
• Molmo-7B-D，演示版本的模型
• Molmo-72B，表現(xiàn)最佳的模型

未來兩個月，該團隊還將陸續(xù)發(fā)布以下研究成果：

• 一份詳細的技術(shù)報告
• PixMo 系列數(shù)據(jù)集
• 更多模型權(quán)重和檢查點
• 訓練和評估代碼

更多研究細節(jié)，可訪問原博客。