图文理解能力强大！多模态对话生成模型：mPLUG-Owl，已开源！

关注公众号，发现CV技术之美

miniGPT-4的热度至今未减，距离LLaVA的推出也不到半个月，而新的看图聊天模型已经问世了。今天要介绍的模型是一款类似于miniGPT-4和LLaVA的多模态对话生成模型，它的名字叫mPLUG-Owl。

• 论文链接：https://arxiv.org/abs/2304.14178

• 项目链接：https://github.com/X-PLUG/mPLUG-Owl

• 在线demo：https://modelscope.cn/studios/damo/mPLUG-Owl/summary

mPLUG-Owl展现出强大的图文理解能力：

以下是本文作者的试用结果：

本文贡献如下：

• 提出一种新的模块化的训练多模态大模型的方式

• 提出测评集OwlEval，以便测试多模态模型在视觉相关任务上的能力

• 开源模型代码，demo代码以及模型权重文件，方便研究者进行进一步的研究。

mPLUG-Owl

模型架构

本文提出了 mPLUG-Owl，其整体架构如图2所示。它由视觉基础模型 、视觉抽象模块 以及预训练语言模型 组成。视觉抽象模块将较长的、细粒度的图像特征概括为少量可学习的 Token，从而实现对视觉信息的高效建模。生成的视觉 Token 与文本查询一起输入到语言模型中，以生成相应的回复。

训练策略

如图1所示，目前存在三种主要的训练策略来训练端到端的多模态LLM模型。这些策略分别是：

1. 在预训练和指令微调阶段冻结视觉模块和语言模块，调整有限的参数，如MiniGPT4。

2. 冻结视觉模块，训练语言模块，如Kosmos-1。

3. 在指令微调阶段冻结视觉模块，训练语言模块，如LLaVA。

然而，这些模型都冻结了视觉模块的参数调整，从而限制了不同模态之间的对齐。此外，它们缺乏单模态和多模态数据的共同训练，难以有效地激发大型模型的各种潜能。

为了克服这些限制，mPLUG-Owl采用了一种不同的训练策略。首先，其使用多模态数据训练视觉模块，并冻结语言模块。这样可以让视觉特征贴合语言特征。然后，其使用多模态和单模态数据联合调整语言模块的LoRA参数，同时冻结视觉模块。这样，模型可以学习多样化的单模态和多模态指令，同时具备单模态和多模态多轮对话能力。

实验

定量分析

如图3所示，本文在构建的多模态测评集 OwlEval 上对 mPLUG-Owl 进行了人工评估。评价结果分为四个等级 A-D，代表对应的生成质量依次递减。从测评结果中可以看出，mPLUG-Owl 取得了最佳的结果。

为了分别探究 mPLUG-Owl 在单轮对话和多轮对话上的性能，本文还从 OwlEval 中单独抽出了一些单轮对话和一些多轮对话，分别进行人工评估。结果如图4所示。可以发现，mPLUG-Owl 具有较强的多轮对话能力。

消融实验

为了探究训练策略与指令数据的使用对模型结果的影响，本文还展示了消融实验的结果，如表2所示。

此外，本文还发现了一个有趣的现象：多模态数据的学习可以提高模型的文本单模态能力。正如表3所示，使用ChatGPT对生成结果进行评分发现，仅调整LoRA参数的mPLUG-Owl在纯文本生成能力上击败了全参数调整的Alpaca。

定性分析

从图6中可以发现，mPLUG-Owl有较强的多轮对话能力。

从图7中可以发现，mPLUG-Owl还具有很强的推理能力。

尽管mPLUG-Owl已具有较强的图文理解能力，但和GPT-4相比仍有一些差距。如图8所示，mPLUG-Owl虽然已经正确理解了笑点，但错误地将VGA插头识别为了USB插头。

图9展示了一些额外的笑话解释例子。

如图10所示，虽然在训练阶段并没有进行多图关联数据的训练。mPLUG-Owl展现出了一定的多图关联能力。

如图11所示，尽管mPLUG-Owl在训练阶段仅接触了英文数据，但其展现出了有趣的多语言能力。这可能是因为mPLUG-Owl中的语言模块采用了支持多语言的LLaMa，从而出现了这一现象。

尽管mPLUG-Owl没有在带有标注的文档数据上进行训练，但其仍然展现出了一定的文字识别和文档理解能力。测试结果如图12所示。

如图13、14所示，mPLUG-Owl在多模态的开放式结尾续写方面展现出了较强的能力。以下是更多有趣的例子：

END

加入「计算机视觉」交流群👇备注：CV