當(dāng)前（多模態(tài)）大模型正深陷「數(shù)據(jù)饑渴」困境：其性能高度依賴(lài)預(yù)訓(xùn)練階段大量高質(zhì)量（圖文對(duì)齊）數(shù)據(jù)的支撐。

然而，現(xiàn)實(shí)世界中這類(lèi)高價(jià)值數(shù)據(jù)資源正在迅速耗盡，傳統(tǒng)依賴(lài)真實(shí)數(shù)據(jù)驅(qū)動(dòng)模型能力增長(zhǎng)的路徑已難以為繼。

在NeurIPS 2024會(huì)議上，OpenAI聯(lián)合創(chuàng)始人Ilya Sutskever明確指出：「Pre-training as we know it will end」， 這一判斷是對(duì)傳統(tǒng)預(yù)范式極限的清晰警示。

為延續(xù)性能提升，主流研究方向開(kāi)始轉(zhuǎn)向推理優(yōu)化與后訓(xùn)練微調(diào)（如強(qiáng)化學(xué)習(xí)）。

然而，最新研究表明：此類(lèi)改進(jìn)極其依賴(lài)模型在預(yù)訓(xùn)練中所奠定的能力基礎(chǔ)：如果模型在早期未能系統(tǒng)性地習(xí)得相關(guān)能力，后續(xù)優(yōu)化就如同在沙地上建高樓——進(jìn)展有限，風(fēng)險(xiǎn)頗高。

不同模型在「自我進(jìn)化」能力上的表現(xiàn)也存在巨大差異，其實(shí)質(zhì)仍是「題海戰(zhàn)術(shù)」的延伸：缺乏方法論支撐的訓(xùn)練，難以應(yīng)對(duì)真實(shí)世界中的復(fù)雜和變化。

面對(duì)這一瓶頸，大模型的未來(lái)路在何方？

微軟研究院科學(xué)家 Shital Shah 在社交媒體上指出：合成數(shù)據(jù)（synthetic data）或許是打破當(dāng)前能力天花板的關(guān)鍵。 

近日，港中文聯(lián)合清華等高校提出：未來(lái)大模型性能的持續(xù)提升，需依賴(lài)「預(yù)訓(xùn)練、推理階段的計(jì)算擴(kuò)展、后訓(xùn)練優(yōu)化」三者的深度協(xié)同。這一觀點(diǎn)打破了傳統(tǒng)依賴(lài)單一預(yù)訓(xùn)練路徑的范式，為下一代多模態(tài)基礎(chǔ)大模型（Foundation MLLMs）的構(gòu)建提供了全新思路。

論文鏈接：https://arxiv.org/html/2503.12303v5

在此基礎(chǔ)上，研究團(tuán)隊(duì)提出了創(chuàng)新性框架——SICOG（Structured In-Context Optimization and Generation），旨在重塑大模型的進(jìn)化路徑。SICOG引入了獨(dú)創(chuàng)的「鏈?zhǔn)矫枋觥辜夹g(shù)，通過(guò)五步漸進(jìn)式視覺(jué)解析引擎，實(shí)現(xiàn)模型從顯著內(nèi)容捕捉到細(xì)粒度關(guān)聯(lián)推理的全面感知躍升。

該框架同時(shí)采用了「結(jié)構(gòu)化思維鏈」機(jī)制，有效增強(qiáng)模型對(duì)多模態(tài)信息的融合處理與復(fù)雜推理能力。更具突破性的是，SICOG通過(guò)自生成數(shù)據(jù)閉環(huán)+語(yǔ)義一致性篩選機(jī)制，使模型在零人工標(biāo)注的條件下實(shí)現(xiàn)認(rèn)知能力的持續(xù)進(jìn)化，真正邁向高效、自主的學(xué)習(xí)范式。

SICOG的提出，不僅打破了當(dāng)前模型在數(shù)據(jù)、算力與微調(diào)優(yōu)化三者割裂發(fā)展的瓶頸，也為未來(lái)通用人工智能（AGI）模型的構(gòu)建提供了可擴(kuò)展、可遷移的新路徑。

SICOG：三位一體協(xié)同框架，讓模型學(xué)會(huì)「自我進(jìn)化」

傳統(tǒng)多模態(tài)大模型（MLLMs）依賴(lài)海量標(biāo)注數(shù)據(jù)與靜態(tài)預(yù)訓(xùn)練范式，面臨數(shù)據(jù)稀缺與能力增長(zhǎng)受限的雙重瓶頸。為突破這一困境，本文提出全新框架 SICOG（Self-Improving Systematic Cognition），首次構(gòu)建了涵蓋「后訓(xùn)練增強(qiáng)—推理優(yōu)化—再預(yù)訓(xùn)練強(qiáng)化」的三位一體自進(jìn)化機(jī)制，重新定義了預(yù)訓(xùn)練邊界，為下一代MLLMs注入動(dòng)態(tài)認(rèn)知與持續(xù)學(xué)習(xí)能力。

SICOG的三階段協(xié)同機(jī)制包括：

1. 后訓(xùn)練增強(qiáng)：利用少量高質(zhì)量標(biāo)注數(shù)據(jù)，提升模型的系統(tǒng)性認(rèn)知與基礎(chǔ)推理能力；
   
   
2. 推理優(yōu)化：在大規(guī)模無(wú)標(biāo)簽多模態(tài)數(shù)據(jù)上進(jìn)行自主推理，通過(guò)「自我一致性投票機(jī)制」篩選出高置信度答案，自動(dòng)生成偽標(biāo)簽；
   
   
3. 再預(yù)訓(xùn)練強(qiáng)化：將篩選后的高質(zhì)量偽標(biāo)注數(shù)據(jù)反饋用于預(yù)訓(xùn)練，實(shí)現(xiàn)模型能力的持續(xù)進(jìn)化。
   
   SICOG的關(guān)鍵創(chuàng)新在于實(shí)現(xiàn)了模型的「學(xué)中實(shí)踐、實(shí)踐中進(jìn)化」：從少量種子數(shù)據(jù)出發(fā)，模型通過(guò)「看圖總結(jié)+解題推理」主動(dòng)構(gòu)建多任務(wù)樣本，實(shí)現(xiàn)數(shù)據(jù)生成與學(xué)習(xí)閉環(huán)。無(wú)需大規(guī)模人工標(biāo)注，即可高效擴(kuò)展預(yù)訓(xùn)練數(shù)據(jù)，根本性緩解當(dāng)前高質(zhì)量多模態(tài)數(shù)據(jù)稀缺的問(wèn)題。

描述鏈（Chain-of-Description, CoD）

讓模型「看圖像像人一樣」

CoD（描述鏈）是一種結(jié)構(gòu)化分步感知方法，使模型像偵探一樣逐層觀察圖像，從主體到細(xì)節(jié)、從關(guān)系到背景，構(gòu)建出完整、邏輯嚴(yán)密的圖像理解過(guò)程。

以「一位女孩彈吉他」的圖像為例，傳統(tǒng)模型可能僅生成「女生在彈吉他」的粗略描述，而CoD會(huì)分為五個(gè)有序階段，逐步深化理解：

1. 提取主體內(nèi)容：首先識(shí)別圖像的核心語(yǔ)義元素，如：「一位紅發(fā)女性坐在床上，懷中抱著一把木吉他」，確保模型對(duì)主要對(duì)象有清晰把握，為后續(xù)分析打下基礎(chǔ)。
2. 分析細(xì)節(jié)信息：進(jìn)一步觀察細(xì)節(jié)屬性，如「吉他為淺色指板的經(jīng)典木制款式，光線(xiàn)柔和，渲染出溫暖氛圍」，捕捉紋理、顏色、光影等低層信息，增強(qiáng)描述的豐富性與精度。
3. 考慮關(guān)系屬性：描述圖像中元素之間的交互關(guān)系，如：「她坐在床上，筆記本放在小桌上，燈串和掛飾點(diǎn)綴背景」，強(qiáng)化對(duì)空間布局與語(yǔ)義結(jié)構(gòu)的建模。
4. 檢查邊緣/背景內(nèi)容：不忽略次要信息，如：「房間內(nèi)有梳妝臺(tái)、墻面裝飾等背景元素」，補(bǔ)充場(chǎng)景語(yǔ)義，完善整體理解。
5. 整合為連貫描述：將上述觀察統(tǒng)一組織為一段完整、邏輯清晰的自然語(yǔ)言描述。

通過(guò)CoD，模型能夠逐步「構(gòu)建圖像語(yǔ)義結(jié)構(gòu)」，實(shí)現(xiàn)從感知到理解的飛躍，顯著提升圖文對(duì)齊的質(zhì)量與邏輯性。

結(jié)構(gòu)化解題思路（Structured Chain-of-Thought, CoT）

讓模型「解題像學(xué)霸一樣」

CoT（結(jié)構(gòu)化思維鏈）是一種任務(wù)驅(qū)動(dòng)的推理框架，支持模型在面對(duì)復(fù)雜問(wèn)題時(shí)進(jìn)行分步推理、信息整合與因果判斷，廣泛應(yīng)用于數(shù)學(xué)計(jì)算、邏輯問(wèn)答、跨模態(tài)推理等任務(wù)。

例如，在一道幾何題中，傳統(tǒng)模型可能直接嘗試「猜測(cè)答案」，而CoT的解題過(guò)程如下：

1. 明確任務(wù)目標(biāo)：識(shí)別問(wèn)題類(lèi)型，例如「求三角形某邊的長(zhǎng)度」。
   
   
2. 提取關(guān)鍵信息：從圖像中提取直角三角形、垂線(xiàn)、邊長(zhǎng)等必要條件。
   
   
3. 邏輯推理分析：判斷相似三角形關(guān)系，列出比例公式并代入數(shù)值。
   
   
4. 總結(jié)計(jì)算得解：通過(guò)計(jì)算得出答案，例如「選項(xiàng)C」。
   
   

CoT讓模型具備類(lèi)人的「解題能力」，不僅能處理復(fù)雜的數(shù)理任務(wù)，還能支持跨模態(tài)因果推斷，奠定模型認(rèn)知系統(tǒng)化的基礎(chǔ)。

能力全面躍升：SICOG的三大關(guān)鍵優(yōu)勢(shì)

借助CoD和CoT，SICOG不僅構(gòu)建了結(jié)構(gòu)化的感知與推理流程，更在訓(xùn)練范式上實(shí)現(xiàn)了根本性突破，具備以下三大核心優(yōu)勢(shì)：

1. 顯著降低對(duì)高質(zhì)量數(shù)據(jù)的依賴(lài)：僅需少量種子數(shù)據(jù)即可啟動(dòng)，通過(guò)自生成數(shù)據(jù)循環(huán)優(yōu)化，實(shí)現(xiàn)大規(guī)模多模態(tài)數(shù)據(jù)的「零標(biāo)注」擴(kuò)展。
   
   
2. 實(shí)現(xiàn)動(dòng)態(tài)認(rèn)知進(jìn)化：打破傳統(tǒng)「一訓(xùn)定終身」的預(yù)訓(xùn)練模式，支持模型在使用過(guò)程中持續(xù)學(xué)習(xí)、能力不斷升級(jí)，具備「終身學(xué)習(xí)」特征。
   
   
3. 感知與推理一體優(yōu)化：不再局限于感知能力的提升，SICOG在預(yù)訓(xùn)練階段即融合「感知+推理」，模擬人類(lèi)認(rèn)知流程，使模型對(duì)圖文、圖問(wèn)等復(fù)雜任務(wù)具備更強(qiáng)泛化與應(yīng)變能力。
   

實(shí)驗(yàn)驗(yàn)證：SICOG實(shí)現(xiàn)模型能力全面提升

為了驗(yàn)證SICOG框架的有效性，研究在12個(gè)主流多模態(tài)評(píng)測(cè)集上進(jìn)行了系統(tǒng)性評(píng)估，涵蓋圖表理解、數(shù)學(xué)推理、抗幻覺(jué)能力等多個(gè)關(guān)鍵維度。實(shí)驗(yàn)結(jié)果表明，SICOG能顯著提升模型的綜合表現(xiàn)，具體成果如下：

綜合性能穩(wěn)步提升

• 在整體評(píng)測(cè)中，模型平均表現(xiàn)提升2%–4%；
• 尤其在依賴(lài)多步推理的任務(wù)中表現(xiàn)突出，如ScienceQA，展現(xiàn)出更強(qiáng)的邏輯推理與跨模態(tài)理解能力。

幻覺(jué)控制能力增強(qiáng)

• 在POPE等抗幻覺(jué)評(píng)測(cè)中，模型錯(cuò)誤率下降了1%–2%

自生成數(shù)據(jù)推動(dòng)持續(xù)進(jìn)化

• 隨著自生成數(shù)據(jù)量從11.8萬(wàn)條提升至21.3萬(wàn)條，模型性能持續(xù)上升，呈現(xiàn)出良好的擴(kuò)展性與學(xué)習(xí)能力；
• 表明SICOG的「自我進(jìn)化機(jī)制」不僅可行，而且具備高度可擴(kuò)展性。

超越主流預(yù)訓(xùn)練方法

• SICOG在多個(gè)任務(wù)中表現(xiàn)甚至超過(guò)了主流的strong-to-weak distillation和multi-agent collaboration方法；

實(shí)驗(yàn)還表明，基礎(chǔ)模型性能越強(qiáng)，其在自我進(jìn)化過(guò)程中的能力提升也越顯著。例如，LLaVA-Qwen2-7B-UHD相較于LLaVA-Llama3.1-8B-UHD，性能提升幅度高出約50%。這表明：強(qiáng)大的基礎(chǔ)能力不僅決定模型的初始表現(xiàn)，更顯著增強(qiáng)其后續(xù)自學(xué)習(xí)與優(yōu)化能力。

這一現(xiàn)象類(lèi)似于人類(lèi)學(xué)習(xí)中的「馬太效應(yīng)」——「學(xué)霸更會(huì)自學(xué)」。具備更優(yōu)初始結(jié)構(gòu)與知識(shí)表示的模型，能夠更高效地利用數(shù)據(jù)、激發(fā)潛力，在持續(xù)進(jìn)化中取得更大進(jìn)步。

研究進(jìn)一步表明，基于合成數(shù)據(jù)的預(yù)訓(xùn)練顯著提升了模型的基礎(chǔ)認(rèn)知能力，從而強(qiáng)化了后續(xù)微調(diào)效果。這一結(jié)果再次驗(yàn)證了：預(yù)訓(xùn)練、推理階段的計(jì)算擴(kuò)展與后訓(xùn)練優(yōu)化三者之間存在高度協(xié)同關(guān)系。只有打通這三環(huán)節(jié)，才能實(shí)現(xiàn)模型能力的持續(xù)躍升與高效進(jìn)化。

此外，研究發(fā)現(xiàn)，SICOG生成的合成數(shù)據(jù)同樣遵循規(guī)模法則（scaling law）：模型能力隨著數(shù)據(jù)量的增加持續(xù)提升。這進(jìn)一步證明了自生成數(shù)據(jù)在模型進(jìn)化過(guò)程中的有效性與可擴(kuò)展性。

研究人員提出了一種變體方法：在第一階段的后訓(xùn)練增強(qiáng)中，以偏好學(xué)習(xí)（Preference Learning）替代傳統(tǒng)的監(jiān)督微調(diào)（SFT），以進(jìn)一步強(qiáng)化模型的基礎(chǔ)能力。

實(shí)驗(yàn)結(jié)果表明，偏好學(xué)習(xí)在提升模型泛化能力方面優(yōu)于SFT，尤其在處理復(fù)雜任務(wù)時(shí)表現(xiàn)更為穩(wěn)健。這一結(jié)果從實(shí)證層面驗(yàn)證了長(zhǎng)期以來(lái)的觀點(diǎn)：強(qiáng)化學(xué)習(xí)范式在特定任務(wù)中相較于監(jiān)督微調(diào)更具優(yōu)勢(shì)。

細(xì)粒度圖像感知能力顯著增強(qiáng)，在細(xì)節(jié)識(shí)別與關(guān)系屬性捕捉方面表現(xiàn)出更高的準(zhǔn)確性與魯棒性。

多模態(tài)理解與推理能力顯著提升。

展望：預(yù)訓(xùn)練的新邊疆——從靜態(tài)訓(xùn)練到動(dòng)態(tài)進(jìn)化

SICOG通過(guò)構(gòu)建一個(gè)涵蓋「數(shù)據(jù)生成→模型訓(xùn)練→能力進(jìn)化」的閉環(huán)體系，突破了傳統(tǒng)預(yù)訓(xùn)練對(duì)高質(zhì)量人工標(biāo)注數(shù)據(jù)的依賴(lài)，展現(xiàn)出類(lèi)人認(rèn)知發(fā)展的潛力。該框架不僅實(shí)現(xiàn)了模型的自我學(xué)習(xí)與持續(xù)優(yōu)化，也為邁向真正自主學(xué)習(xí)型智能體奠定了堅(jiān)實(shí)基礎(chǔ)。

在當(dāng)前研究中，SICOG通過(guò)引入Chain-of-Description（CoD）并配合Chain-of-Thought（CoT）的推理機(jī)制，顯著增強(qiáng)了多模態(tài)模型的感知與推理能力。然而，這一進(jìn)展仍只是通向完全自主學(xué)習(xí)的起點(diǎn)。

未來(lái)，若能進(jìn)一步引入環(huán)境反饋機(jī)制（如具身智能場(chǎng)景）與持續(xù)優(yōu)化機(jī)制，模型將有望具備終身學(xué)習(xí)的能力，實(shí)現(xiàn)從「被動(dòng)學(xué)習(xí)」向「主動(dòng)成長(zhǎng)」的躍遷。在與環(huán)境的持續(xù)交互中，模型不僅可以利用自身生成的數(shù)據(jù)進(jìn)行自我優(yōu)化，更能夠主動(dòng)識(shí)別知識(shí)盲區(qū)、動(dòng)態(tài)調(diào)整學(xué)習(xí)策略，從而在復(fù)雜任務(wù)與多變環(huán)境中不斷進(jìn)化、持續(xù)提升。