多模态大语言模型最新进展

多模态大型语言模型（MM-LLMs）近期取得显著进步，通过有效训练策略，使模型能处理多模态输入输出，保留并增强语言模型的推理决策能力。MM-LLMs不仅限于文本，还能处理图像、视频和音频等其他模态数据，推动下游任务性能提升。

MM-LLMs改进了训练流程，增强交互能力和采用更高效架构。其迭代包括从预训练到微调，再到基于人类反馈的强化学习，体现了模型的持续优化和进步。总体而言，MM-LLMs正朝着更广泛模态支持、更高质量数据利用和更有效模型设计的方向发展。

1 MM-LLMs的基本架构

多模态大型语言模型（MM-LLMs）的架构由五个主要组件构成：模态编码器、输入投影器、LLM主干、输出投影器和模态生成器。

1. 模态编码器（Modality Encoder）：

   模态编码器的主要功能是将不同模态的输入转换成对应的特征表示FX。例如，它可以将图像、视频、音频等非文本信息转化为模型可理解的特征向量。这个转换过程通过预训练的编码器实现，如针对图像的ViT或针对音频的特定音频编码器。

2. 输入投影器（Input Projector）：

   输入投影器的作用是将模态编码器产生的特征映射到语言模型主干可以理解的空间。它确保了不同模态信息可以被整合并传递给模型的核心部分进行处理。

3. LLM主干（LLM Backbone）：

   这是模型的中心部分，基于预训练的文本型语言模型。在训练过程中，这部分一般保持冻结状态，以保留模型原有的语言理解和生成能力。LLM主干负责处理从输入投影器接收到的特征，并生成中间表示。

4. 输出投影器（Output Projector）：

   输出投影器与输入投影器相反，它将从LLM主干得到的中间表示转换为目标模态的输出，例如将中间表示转化为文本、图像或其他模态的输出。

5. 模态生成器（Modality Generator）：

   模态生成器用于生成新模态的数据，比如根据文本描述生成图像。它在需要生成输出模态时发挥作用，例如视觉描述或语音合成。

2 MM-LLMs的基本架构

多模态大型语言模型（MM-LLMs）的训练流程主要包括两个阶段：多模态预训练（MM PT）和多模态指令微调（MM IT）。

1. 多模态预训练（MM PT）：MM PT阶段利用X-Text数据集，旨在训练输入投影器和输出投影器，使它们能够实现不同模态间的对齐。对于仅涉及多模态理解的模型，优化主要集中在使输入投影器能将不同模态输入映射到统一表示空间。对于涉及多模态生成的模型，优化包括使输入投影器、输出投影器以及模态生成器协同工作，实现模态间的转换和生成。X-Text数据集包含Image-Text、Video-Text和Audio-Text对，其中Image-Text有Image-Text配对和交错Image-Text语料库两种类型。

2. 多模态指令微调（MM IT）：MM IT是指使用指令格式化数据集对预训练的MM-LLMs进行微调，让模型能够泛化到未见过的任务。这一过程使MM-LLMs能够更好地理解人类意图，增强对话交互能力，从而提升模型在实际应用中的性能。

3 MM-LLMs的未来发展

1. 最新发展趋势：

• 提升视觉分辨率：模型采用更高分辨率图像，以捕获更精细的细节，如LLaVA-1.5、VILA、Qwen-VL和MiniGPT-v2。

• 高质量监督微调数据：整合高质量SFT数据，显著提升模型在特定任务上的性能。

• 改进训练策略：采用参数高效微调、交错图像-文本数据训练等方法。

2. 未来研究方向：

• 构建更通用智能模型：扩展模态支持，多样化LLMs，提升数据集质量，加强生成能力。

• 更具挑战性的基准测试：完善评估标准，全面衡量MM-LLMs的高级功能。

• 移动/轻量级部署：研究轻量化策略，以适应资源受限的平台。

• 具身智能：使模型能够像人类一样感知和互动，有效理解环境并进行操作。

4 结语

论文全面概述了多模态大型语言模型（MM-LLMs）的最新进展，从模型架构、训练策略到性能评估和未来方向，为推动该领域研究提供了详实的综述和资源。为了紧跟多模态大语言模型（MM-LLMs）的最新进展，作者创建了一个实时跟踪平台：https://mm-llms.github.io。该网站旨在促进知识共享，记录研究动态，并鼓励社区参与，对推动领域创新、避免重复劳动和加强学术交流具有重要作用。

论文题目：MM-LLMs: Recent Advances in MultiModal Large Language Models

论文链接：https://arxiv.org/abs/2401.13601

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】