介绍
这是一篇多模态大模型的综述
MM-LLM面临的核心挑战是如何有效地将LLM与其他模式的模型连接起来以实现协作推理
建立了一个网站（https://mm-llms.github.io）来跟踪MM-LLM的最新进展并方便大家更新
模型架构
冻结部分不可训练，未冻结部分是可训练的
Modality Encoder：对不同模态的输入进行编码，获取特征
Input Projector：将编码特征与文本特征进行对齐，然后一起送入LLM Backbone。所以这里目标是最小化条件文本生成损失
LLM Backbone：可以进行 zero-shot、few-shot、CoT 等等，它输出的信息包括文本、其他模态的信号和内容
Output Projector：将 LLM 的输出映射到 Modality Generator 可理解的特征 \(H_x\) 中。所以这里目标是最小化 \(H_x\) 与 Modality Generator 的文本表示的距离
Modality Generator：生成不同模态的输出。在训练过程中，groundtruth 首先通过预训练的 VAE 转换为潜在特征，然后使用预训练的 Unet 来计算条件 LDM损失，如下所示
训练过程
分为两个阶段：MM PT 和 MM IT
MM PT
预训练阶段，针对数据集，训练 Input Projector 和 Output Projector，通过优化预定义的目标来实现各个模态数据之间的对齐匹配
MM IT
MM IT 由有监督微调+强化学习组成
使用指令数据集对预先训练的 MM-LLM 进行微调，通过这个过程可以遵循新指令泛化到为见过的任务上，从而具备 zero-shot 的能力
SOTA模型
各个方向的 SOTA 模型汇总图
发展趋势
- 从专门强调 MM 理解发展到特定模态的生成，并进一步发展到任意模态到任意模态的转换（例如 MiniGPT-4 → MiniGPT-5 → NExT-GPT）
- 从 MM PT 到 SFT 再到 RLHF，训练流程不断细化，力求更好地符合人类意图，增强模型的对话交互能力（例如BLIP-2→InstructBLIP→DRESS）
- 拥抱多样化的模态扩展（例如BLIP-2→X-LLM和InstructBLIP→X-InstructBLIP）
- 纳入更高质量的训练数据集（例如LLaVA → LLaVA1.5）
- 采用更高效的模型架构，从 BLIP-2 和 DLP 中复杂的 Q-和 P-Former 输入投影仪模块过渡到 VILA 中更简单但有效的线性投影仪
归纳挑战
-
挑战：更高的图像分辨率可以为模型包含更多的视觉细节，有利于需要细粒度细节的任务。然而，更高的分辨率会导致更长的 token 序列，从而产生额外的训练和推理成本
方法：最近，Monkey（Li et al., 2023l）提出了一种无需重新训练高分辨率视觉编码器，仅利用低分辨率视觉编码器来增强输入图像分辨率的解决方案，支持高达 1300 × 800 的分辨率。为了理解富文本图像、表格和文档内容，DocPedia (Feng et al., 2023) 引入了一种将视觉编码器分辨率提高到 2560 × 2560 的方法，克服了开源 ViT 中低分辨率性能不佳的限制。
-
VILA 揭示了几个关键发现：
①在 LLM Backbone 上执行 PEFT 可以促进深度嵌入对齐，这对于 ICL 至关重要
②交错的图像-文本数据被证明是有益的，而单独的图像文本对并不是最优的
③在SFT期间将纯文本指令数据与图像文本数据重新混合，不仅解决了纯文本任务的退化问题，而且还提高了VL任务的准确性
未来方向
- 更强大的模型：模态扩展、大模型多样化、提升多模态数据集质量、强化多模态生成能力
- 构建一个更具挑战性、更大规模、包含更多模式、使用统一评价标准的基准对于MM-LLM的发展至关重要
- 轻量化部署
- 具身智能
- 持续学习
- 减轻幻觉现象
