a tall building lit up at night

微软亚洲研究院

从LLM到MLLM,多模态大规模语言模型KOSMOS-1赋予了语言模型看见世界的能力

分享这个页面

作者:机器之心

在 NLP 领域,大规模语言模型(LLM)已经成功地在各种自然语言任务中充当通用接口。只要我们能够将输入和输出转换为文本,就能使得基于 LLM 的接口完成一个任务。举例而言,对于摘要任务,我们能够将文档输入到语言模型,语言模型就可以生成摘要。

尽管 LLM 在 NLP 任务中取得了成功的应用,但研究人员仍努力将其原生地用于图像和音频等多模态数据。作为智能的基本组成部分,多模态感知是实现通用人工智能的必要条件,无论是对于知识获取还是与现实世界打交道。更重要的是,解锁多模态输入能够极大地拓展语言模型在更多高价值领域的应用,比如多模态机器人、文档智能和机器人技术。

因此,微软亚洲研究院在论文《Language Is Not All You Need: Aligning Perception with Language Models》中介绍了一个多模态大规模语言模型(MLLM)——KOSMOS-1,它可以感知一般模态、遵循指令(即零样本学习)以及在上下文中学习(即少样本学习)。研究目标是使感知与 LLM 保持一致,如此一来模型能够看到(see)和说话(talk)。研究员们按照 METALM(参见论文《Language models are general-purpose interfaces》 )的方式从头开始训练 KOSMOS-1。

paper screenshot

论文地址:https://arxiv.org/pdf/2302.14045.pdf

项目地址:https://github.com/microsoft/unilm

研究员们将一个基于 Transformer 的语言模型作为通用接口,并将其与感知模块对接。他们在大规模多模态语料库上训练模型,语料库包括了文本数据、任意交错的图像和文本、以及图像描述数据。此外,研究员们还通过传输纯语言数据来校准跨模态的指令遵循能力。

最终,KOSMOS-1 模型原生支持零样本和少样本学习设置下的语言、感知语言与视觉任务,具体如下表1所示。

表1:在零样本和少样本下测试了 KOSMOS-1 在自然语言、多模态和视觉任务的能力。
表1:在零样本和少样本下测试了 KOSMOS-1 在自然语言、多模态和视觉任务的能力。

研究员们在下图1和图2中展示了一些生成示例。除了各种自然语言任务,KOSMOS-1 模型能够原生处理广泛的感知密集型任务,如视觉对话、视觉解释、视觉问答、图像描述生成、简单的数学公式、OCR 和带描述的零样本图像分类。他们还根据瑞文推理测验(Raven’s Progressive Matrices, RPM)建立了一个 IQ 测试基准,用来评估 MLLM 的非语言推理能力。

图1:KOSMOS-1 生成的示例(蓝色框是输入提示,粉色框是 KOSMOS-1 输出)。(1)-(2)视觉解释,(3)-(4)视觉问答,(5)基于网页的问答,(6)简单的数学公式,(7)-(8)数字识别。
图1:KOSMOS-1 生成的示例(蓝色框是输入提示,粉色框是 KOSMOS-1 输出)。(1)-(2)视觉解释,(3)-(4)视觉问答,(5)基于网页的问答,(6)简单的数学公式,(7)-(8)数字识别。

图2:KOSMOS-1 生成的示例(蓝色框是输入提示,粉色框是 KOSMOS-1 输出)。(1)-(2)图像描述生成,(3)-(6)视觉问答,(7)-(8)OCR,(9)-(11)基于视觉的对话。
图2:KOSMOS-1 生成的示例(蓝色框是输入提示,粉色框是 KOSMOS-1 输出)。(1)-(2)图像描述生成,(3)-(6)视觉问答,(7)-(8)OCR,(9)-(11)基于视觉的对话。

这些示例表明,多模态感知的原生支持为将 LLM 应用于新任务提供了新的机遇。此外与 LLM 相比,MLLM 实现了更好的常识推理性能,表明了跨模态迁移有助于知识获取。

由于 KOSMOS-1 模型的参数量为16亿,因此有网友表示有望在自己的电脑上运行这个多模态大模型。

KOSMOS-1:一个多模态大型语言模型

如图3所示,KOSMOS-1 是一个多模态语言模型,它既可以感知一般的模态、遵循指令、还能在上下文中学习并生成输出。具体来说,KOSMOS-1 的主干是一个基于 Transformer 的因果语言模型。除了文本之外,其他模态也能被嵌入并输入到该模型中,如下图中,除了语言还有视觉、语音等的嵌入。Transformer 解码器用作多模态输入的通用接口。一旦模型训练完成,KOSMOS-1 在零样本和少样本中也能对语言任务和多模态任务进行评估。

图3:KOSMOS-1 是一个多模态大规模语言模型,KOSMOS-1 能够感知多模态输入、遵循自然语言指令、在语言任务和多模态任务中完成上下文学习。本工作将视觉信息与大规模语言模型对齐,推进从大规模语言模型到多模态大规模语言模型。
图3:KOSMOS-1 是一个多模态大规模语言模型,KOSMOS-1 能够感知多模态输入、遵循自然语言指令、在语言任务和多模态任务中完成上下文学习。本工作将视觉信息与大规模语言模型对齐,推进从大规模语言模型到多模态大规模语言模型。

Transformer 解码器以统一的方式感知模态,输入信息会被 flatten 为带有特殊 token 的序列。例如 表示序列开始、 表示序列结束。特殊 token 和 表示编码图像嵌入的开始和结束。

表2:KOSMOS-1 训练阶段使用的数据格式
表2:KOSMOS-1 训练阶段使用的数据格式

嵌入模块将文本 token 和其他输入模态编码成向量表示,对于输入 token,该研究使用查找表将其映射到嵌入中。对于连续信号模态(例如图像和音频),也可以将输入表示为离散编码。

之后,获得的输入序列嵌入会被馈送到基于 Transformer 的解码器。然后因果模型以一种自回归的方式处理序列,从而产生下一个 token。总而言之,MLLM 框架可以灵活地处理各种数据类型,只要将输入表示为向量即可。

模型训练

首先是训练数据集。数据集包括文本语料库、图像 – 字幕对、图像和文本交叉数据集。具体而言,文本语料库包括 The Pile 、Common Crawl (CC);图像 – 字幕对包括 English LAION-2B、LAION-400M、COYO-700M 以及 Conceptual Captions;图像和文本交叉多模态数据集来自 Common Crawl snapshot。

数据集有了,然后是训练设置。MLLM 组件包含24层、隐藏维度是2048、8192个 FFN 和32个注意力头、参数量为 1.3B。为了使模型更好的收敛,图像表示是从具有1024个特征维度的预训练 CLIP ViT-L/14 模型获得的。图像在训练过程中被预处理为224×224分辨率,此外,训练期间除了最后一层,所有的 CLIP 模型参数被冻结。KOSMOS-1 的参数总数约为 1.6B。

表3:KOSMOS-1 训练阶段使用的模型参数
表3:KOSMOS-1 训练阶段使用的模型参数

实验结果

该研究进行了一系列丰富的实验来评价 KOSMOS-1 :语言任务(语言理解、语言生成、 OCR-free 文本分类);跨模态迁移(常识推理);非语言推理( IQ 测试);感知 – 语言任务(图像描述生成、视觉问答、网页问答);视觉任务(零样本图像分类、带有描述的零样本图像分类)。

图像描述生成。下表给出了不同模型在 COCO 和 Flickr30k 上的零样本性能。相比其他模型,KOSMOS-1 均取得了显著效果,甚至在参数量远小于 Flamingo 的基础上,性能也不错。

表4:KOSMOS-1 在图像描述生成任务(COCO和Flickr30k)中的零样本测试结果
表4:KOSMOS-1 在图像描述生成任务(COCO和Flickr30k)中的零样本测试结果

下表为少样本性能对比:

表5:KOSMOS-1 在图像描述生成任务(COCO和Flickr30k)中的少样本测试结果
表5:KOSMOS-1 在图像描述生成任务(COCO和Flickr30k)中的少样本测试结果

视觉问答。KOSMOS-1 比 Flamingo-3B 和 Flamingo-9B 模型具有更高的准确率和鲁棒性:

表6:KOSMOS-1 在视觉问答任务(VQAv2和VizWiz)中的零样本测试结果
表6:KOSMOS-1 在视觉问答任务(VQAv2和VizWiz)中的零样本测试结果

下表为少样本性能对比:

表7:KOSMOS-1 在视觉问答任务(VQAv2和VizWiz)中的少样本测试结果
表7:KOSMOS-1 在视觉问答任务(VQAv2和VizWiz)中的少样本测试结果

IQ 测试。瑞文推理测验是评估非语言推理最常见的测试之一。图4显示了一个示例。

图4:上图为 Raven IQ 测试的一个例子,下图为 KOSMOS-1 如何完成 IQ 测试。提示包括 IQ 测试输入图像和自然语言指令。我们将每个候选图像分别附加到输入提示上,并询问模型是否正确。选择预测Yes概率最高的候选图像作为最终答案。
图4:上图为 Raven IQ 测试的一个例子,下图为 KOSMOS-1 如何完成 IQ 测试。提示包括 IQ 测试输入图像和自然语言指令。我们将每个候选图像分别附加到输入提示上,并询问模型是否正确。选择预测Yes概率最高的候选图像作为最终答案。

表8显示了在 IQ 测试数据集上的评估结果。KOSMOS-1 能够在非语言环境中感知抽象概念模式,然后在多个选择中推理出之后的元素。据了解,这是首次有模型可以执行此类零样本 Raven IQ 测试。

表8:KOSMOS-1 在 Raven IQ 测试中的零样本测试结果
表8:KOSMOS-1 在 Raven IQ 测试中的零样本测试结果

网页问答。网页问答旨在从网页中找到问题的答案。它要求模型既能理解文本的语义,又能理解文本的结构。结果如下:

表9:KOSMOS-1 在基于网页问答的零样本测试结果
表9:KOSMOS-1 在基于网页问答的零样本测试结果

多模态思维链提示。受思维链提示的启发,本文对这方面进行了实验。如图5本文将感知语言任务分解为两个步骤。在第一阶段给定图像,使用提示来引导模型生成合理的理由或者所需要的图像描述,以产生最终结果。

图5:多模态思维链使 KOSMOS-1 首先生成合理的理由或者所需要的图像描述,然后将其用于解决复杂的问答和推理任务。
图5:多模态思维链使 KOSMOS-1 首先生成合理的理由或者所需要的图像描述,然后将其用于解决复杂的问答和推理任务。

从表10可以看出,多模态思维链提示的得分为72.9分,比标准提示高出5.8分:

表10:KOSMOS-1 利用多模态思维链提升 Rendered SST-2 的零样本结果
表10:KOSMOS-1 利用多模态思维链提升 Rendered SST-2 的零样本结果

了解更多实验内容,请阅读原论文。

本文经授权转载自微信公众号“机器之心”