【论文综述+多模态】腾讯发布的多模态大语言模型（MM-LLM）综述(2024.02)

论文链接：24.02.MM-LLMs: Recent Advances in MultiModal Large Language | 国内-链接
实时网站：https://mm-llms.github.io
参考说明1-readpaper:https://mp.weixin.qq.com/s/ESUVe1aTYFLVJ10S9c1dBg

一、什么是MM-LLM ?

多模态大语言模型：Multimodal Large Language Models
MM-LLM = 预训练单模态模型（ 含LLMs） + 微调对齐所有模态 + 输出调整

MM-LLMs 利用现成的预训练单模态基础模型，
特别是强大的大型语言模型（LLMs）， 作为认知核心，赋予各种多模态任务能力。
LLMs 提供了稳健的语言生成、zero-shot 迁移能力和上下文学习（ICL）等可取特性

在这一领域中，主要关注点是通过多模态预训练（MM PT, Pre-Training）+ 多模态指令调整（MM IT）pipeline 来优化模态之间的对齐，以及与人类意图的对齐（aligning with human intent）。

1.1 发展历程

1. 最初的研究
   图像-文本理解（例如 BLIP-2，LLaVA，MiniGPT-4 和 OpenFlamingo 等工作）；
   视频-文本理解（例如 VideoChat，Video-ChatGPT 和 LLaMA-VID 等工作）；
   音频-文本理解（例如 Qwen-Audio）等任务。

2. 随后，MM-LLMs 的能力扩展到支持特定模态生成。
   这包括具有图像-文本输出的任务，例如 GILL，Kosmos-2，Emu 和 MiniGPT-5 等；
   以及具有语音/音频-文本输出的任务，例如 SpeechGPT 和 AudioPaLM 等工作

3. 最近的研究努力集中在模仿类人任意-任意模态转换
   将 LLMs 与外部工具结合起来，实现，现接近任意-任意的多模态理解和生成，
   例如 Visual-ChatGPT，HuggingGPT 和 AudioGPT 等

二、模型框架

参考链接：https://zhuanlan.zhihu.com/p/680487634

我们将一般模型架构分解为五个组件：

1. 模态编码器（Modality Encoder） ： 直接使用
2. 输入映射器 (Input projector)： 将其他模态的编码特征与文本特征空间对齐
3. LLM 骨干 (LLM backbone)： 直接使用
4. 输出映射器 (Output Projector) ： 将生成模型与 LLM 的输出指令对齐
5. 模态生成器 (Modality Generator)：直接使用

结构见下图2:

2.1 模态编码器(Modality Encoder):

** 负责对不同的模态输入IX进行编码，得到对应的特征FX。IX可以是图像、视频、音频、3D等不同类型的输入。常用的编码器包括：
图像编码器：NFNet-F6、ViT、CLIP ViT、Eva-CLIP ViT
视频编码器：对视频均匀采样成5帧，进行与图像类似的预处理
音频编码器：C-Former、HuBERT、BEATs、Whisper
3D点云编码器：ULIP-2、PointBERT
统一编码器：ImageBind，支持图像、视频、文本、音频、热图等多种模态

2.2 输入投影器 (Input Projector)

负责将编码后的其他模态特征FX投影到文本特征空间T，得到对齐的特征PX。常用的实现方法有：
直接线性投影或多层感知机
交叉注意力：利用可训练的查询向量与编码特征FX进行压缩，得到固定长度的表示，并直接输入LLM或进行交叉注意力融合
Q-Former：从FX中提取相关特征，作为提示PX
P-Former：生成参考提示，对Q-Former生成的提示进行对齐约束

2.3 LLM骨干网络(LLM Backbone):

用预训练的大型语言模型作为核心，负责对齐后的特征进行语义理解、推理和决策，并输出文本输出t和来自其他模态的信号令牌SX。常用的LLM包括：

• Flan-T5
• ChatGLM
• UL2
• Qwen
• Chinchilla
• OPT
• PaLM
• LLaMA
• LLaMA-2
• Vicuna

三、训练流程

模态编码器、LLM 骨干和模态生成器通常保持冻结状态
MM-LLMs 的训练流程可以划分为两个主要阶段：MM PT 和 MM IT。

3.1 MM PT (任意模态到文字)

在 PT 阶段，通常利用 X-Text 数据集(见附录)，通过优化预定义的目标来训练输入和输出映射器，
以实现各种模态之间的对齐。 X-Text 数据集一般包括图像-文本、视频-文本和音频-文本。

3.2 MM IT （指令微调 ）

指令微调=监督微调（SFT）和根据人类反馈进行强化学习（RLHF）

MM IT 是一种使用指令格式的数据集对预训练的 MM-LLMs 进行微调的方法
通过这个过程，MM-LLMs 可以通过遵循新的指令来泛化到未见过的任务，从而提高 zero-shot 性能。
SFT 数据集可以构造为单轮 QA 或多轮对话。

四、部分模型性能测评

红色代表在该项测评最高分，蓝色是第二高分

23.12 VILA: On Pre-training for Visual Language Models
更高的图像分辨率可以为模型提供更多的视觉细节，有利于需要细粒度细节的任务。
例如，LLaVA-1.5 和 VILA 使用了 336336 的分辨率，
而 Qwen-VL 和 MiniGPT-v2 则采用了 448448 的分辨率

总结

当前的 MM-LLMs 主要支持以下模态：图像、视频、音频、3D 和文本

移动/轻量级部署：在资源受限的平台上部署 MM-LLMs 并同时实现最佳性能，比如低功耗移动设备和物联网设备，轻量级实现至关重要。在这方面的一个显著进展是 MobileVLM

最近，有许多类似的研究致力于轻量化 MM-LLMs，在性能相当或几乎没有损失的情况下，实现了高效的计算和推理，包括 TinyGPT-4、Vary-toy、Mobile-Agent、MoE-LLaVA 和 MobileVLM V2。然而，这一途径需要进一步探索以实现进一步的发展

一些发展趋势：

1. 从专注于多模态理解到生成特定模态，进一步发展成为任意-任意模态转换（例如，MiniGPT-4 -> MiniGPT-5 -> NExT-GPT）；

2. 从 MM PT 进展到 SFT，再到 RLHF，训练流程不断完善，努力更好地与人类意图保持一致，并增强模型的对话交互能力（例如，BLIP-2 -> InstructBLIP -> DRESS）；

3. 接纳多样化的模态扩展（例如，BLIP-2 -> X-LLM 和 InstructBLIP -> X-InstructBLIP）；

4. 加入更高质量的训练数据集（例如，LLaVA -> LLaVA-1.5）；（5）采用更高效的模型架构，从 BLIP-2 和 DLP 中复杂的 Q- 和 P-Former 输入映射模块过渡到 VILA 中更简单但同样有效的线性映射器。

附录

模型按功能分类

I：图像，V：视频，A/S：音频/语音（Audio/Speech），T：文本。
$I_D$：文档理解，$I_B$：输出边界框，$I_M$：输出分割掩码和 $I_R$：输出检索到的图像。

X-Text 数据集的详细信息见表 3。

指令微调的数据集