【LLM】多模态LLM综述MultiModal Large Language Models

note

（一）现有的 MM-LLM 的趋势：
(1)从专门强调 MM 理解对特定模态的生成的进展，并进一步演变为任何到任何模态的转换（例如，MiniGPT-4 → MiniGPT-5 → NExT-GPT）；
(2) 从 MM PT 提升到 SFT，然后到 RLHF，训练管道进行连续细化，努力更好地与人类意图对齐并提高模型的会话交互能力（例如，BLIP-2 → InstructBLIP →DRESS）；
(3) 实施多样化模态扩展（例如，BLIP-2 → X-LLM 和 InstructBLIP→X-InstructBLIP）；
(4) 结合更高质量的训练数据集（例如，LLAVA → LlaVA1.5）；
(5) 采用更有效的模型架构，从 BLIP-2 和 DLP 中的复杂 Q-Former 输入投影仪模块过渡到更简单但有效的 VILA。

（二）更高分辨率编码器能为LLM提供更多图像信息，但也带来更长的sequence token。如LLAVA-1.5 和 VILA 采用 336 × 336 的分辨率，而 Qwen-VL 和 MiniGPT-v2 利用 448 × 448。
（三）还是要使用高质量的SFT图文数据，如LLAVA-1.5和VILA-13B中加入ShareGPT4V数据证明了这一点。
（四）VILA揭示了几个关键发现:
(1)在LLM主干上执行PEFT促进了深度嵌入对齐，这对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ImageText对是次优的;
(3)在SFT期间，将纯文本指令数据(如不自然的指令(Honovich et al.， 2022))与图像文本数据重新混合-用于微调，不仅解决了纯文本任务的退化，而且提高了VL任务的准确性。

（三）为什么BLIP2中大Q-Former结构不流行了？
LLaVA系列的流行使很多后续工作follow了MLP结构；
在Q-Former结构没有获得比MLP结构更优性能的前提下，使用简单易收敛的MLP结构何乐而不为；
Q-Former的有损压缩结构会损失视觉信息，导致模型容易产生幻觉。

综述一：A Survey on Multimodal Large Language Models

论文链接：https://arxiv.org/pdf/2306.13549.pdf
项目链接：https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models
2024年4月1号更新的一篇paper。

一、多模态LLM的组成部分

常见的多模态LLM结构：

• 对于多模态输入-文本输出的典型 MLLM，其架构一般包括编码器、连接器以及 LLM。
  • 如要支持更多模态的输出（如图片、音频、视频），一般需要额外接入生成器，如上图所示
  • 三者的参数量并不等同，以 Qwen-VL [1] 为例，LLM 作为“大脑”参数量为 7.7B，约占总参数量的 80.2%，视觉编码器次之（1.9B，约占 19.7%），而连接器参数量仅有 0.08B。

（1）模态编码器

• 模态编码器：模态编码器负责将原始的信息（如图片）编码成特征，连接器则进一步将特征处理成 LLM 易于理解的形式，即视觉 Token。LLM 则作为“大脑”综合这些信息进行理解和推理，生成回答。
• 视觉编码器：对于视觉编码器而言，增大输入图片的分辨率是提升性能的有效方法。
  • 一种方式是直接提升分辨率，这种情况下需要放开视觉编码器进行训练以适应更高的分辨率，如 Qwen-VL [1] 等。
  • 另一种方式是将大分辨率图片切分成多个子图，每个子图以低分辨率送入视觉编码器中，这样可以间接提升输入的分辨率，如 Monkey [2] 等工作。
• 除了常用CLIP图像编码器，像MiniGPT-4使用了EVA-CLIP、ViT-G/14编码器。一些常用的图像编码器：

（2）语言模型

（3）连接器

• 连接器：相对前两者来说，连接器的重要性略低。
  • 从上图中可以看出连接器有三种形式：projection-based、query-based、fusion-based connectors（第三种是使用MHA多头注意力）
  • 例如，MM1 [7] 通过实验发现，连接器的类型不如视觉 token 数量（决定之后 LLM 可用的视觉信息）及图片的分辨率（决定视觉编码器的输入信息量）重要。

在后面第二篇综述中也有介绍到连接器（叫Input projector更合适）：

二、预训练

经常会使用image caption task图片字幕数据对进行预训练，冻结图像编码器和LLM，只更新learnable interface的参数。如果数据中脏数据较多，可以使用较低分辨率（如224）加速训练，如果数据还算干净，可以使用较高分辨率（如448）减少模型的幻觉。

比如cogvlm：预训练第一阶段：图像描述损失函数
在预训练的第一阶段中，模型训练的是图像描述损失函数(image captioning loss)，即对文本部分进行下一个标记的预测。预训练的第一阶段使用了上述提及的15亿个图像文本对，共进行了12万次迭代，批量大小为8192。

常见的预训练语料：

三、SFT微调

多模态的SFT和LLM的SFT类似也是自回归预测：

多模态SFT数据需要让prompt多样化、任务覆盖全面。

常见prompt模版如下：

常见的多模态SFT指令微调语料：

四、RLHF对齐训练

（1）使用常见的PPO

RLHF（reinforcement learning from human feedback）

• 分为三个步骤
  • step1 我做你看：有监督学习，从训练集中挑出一批prompt，人工对prompt写答案。其实就是构造sft数据集进行微调。
  • step2 你做我看：奖励模型训练，这次不人工写答案了，而是让GPT或其他大模型给出几个候选答案，人工对其质量排序，Reward model学习一个打分器；这个让机器学习人类偏好的过程就是【对齐】，但可能会导致胡说八道，可以通过KL Divergence等方法解决。
    • instructGPT中奖励模型的损失函数如下，其中 rθ(x,y) 是奖励模型对提示x和完成y的标量输出，具有参数θ，$y_w$是$y_w$和$y_l$中更受欢迎的补全，D是人类比较的数据集。$$\mathrm{loss}(\theta )=-\frac{1}{\left(\begin{array}{c}K\\ 2\end{array}\right)}{E}_{\left(x,y_w,y_l\right)\sim D}\left[\log \left(\sigma \left(r_{\theta }\left(x,y_w\right)-r_{\theta }\left(x,y_l\right)\right)\right)\right]$$
    • 每个样本包括question、response_chosen、response_rejected键值对，每对样本的loss定义：$\mathcal{L}(\psi )=\log \sigma \left(r\left(x,y_w\right)-r\left(x,y_l\right)\right)$
      • 其中上面的符号：$\sigma$ 是 sigmoid 函数, $r$ 代表参数为 $\psi$ 的奖励模型的值, $r(x,y)$ 表示针对输入提示 $x$ 和输出 $y$所预测出的单一标量奖励值。
      • 上面是instructGPT的ranking loss，但是llama2中增加一个离散函数$m(r)$

• step3 自学成才：PPO训练，利用第二阶段的奖励模型RM计算奖励分数，同时使用PPO（近端策略优化）更新第一步训练得到的sft模型，最大优化该目标函数：$$\begin{array}{rl}\text{ objective }(\varphi )=& E_{(x,y)\sim D_{{\pi }_{\varphi }^{\mathrm{RL}}}}\left[r_{\theta }(x,y)-\beta \log \left({\pi }_{\varphi }^{\mathrm{RL}}(y\mid x)/{\pi }^{\mathrm{SFT}}(y\mid x)\right)\right]+\\ & \gamma E_{x\sim D_{\text{pretrain }}}\left[\log \left({\pi }_{\varphi }^{\mathrm{RL}}(x)\right)\right]\end{array}$$
  • ${\pi }_{\phi }^{RL}$是学习到的RL策略，
  • ${\pi }^{SFT}$是监督训练模型，
  • $D_{p}retrain$ 是预训练分布。
  • KL奖励系数β和预训练损失系数γ分别控制KL惩罚和预训练梯度的强度。对于“PPO”模型，γ 设为 0。

（2）使用DPO直接偏好对齐

• 论文：《Direct Preference Optimization: Your Language Model is Secretly a Reward Model 》
• 论文地址：https://arxiv.org/abs/2305.18290
• 背景：RLHF是一个复杂、不稳定、难训练的过程（用reward model进行ppo强化学习等），而DPO可以避开训练奖励模型这个步骤，直接对排序数据集进行直接偏好学习。将对奖励函数的损失转为对策略的损失，优化和RLHF相同的目标函数（KL散度限制下，最大化reward）。
  • 相关原理： 和RRHF相似，但带有一个sft模型约束（KL散度），保证不加sft Loss情况下训练不崩溃。原本基于RL的目标，现在通过BCE二元交叉熵来优化（不需要再训练期间明确学习奖励函数or从策略中采样）。
  • 有监督损失函数，DPO优化的目标函数: $$\underset{{\pi }_{\theta }}{\max }{\mathbb{E}}_{{\pi }_{\theta }(y\mid x)}[\underset{f\left(r_{\varphi },{\pi }_{\mathrm{ref}},\beta \right)}{\underbrace{r_{\varphi }(x,y)-\beta \log \sum _y{\pi }_{\mathrm{ref}}\exp \left(\frac{1}{\beta }{r}_{\varphi }(x,y)\right)}}-\underset{\mathrm{KL}}{\underbrace{\beta \log \frac{{\pi }_{\theta }(y\mid x)}{{\pi }_{\mathrm{ref}}(y\mid x)}}}]$$
  • DPO更新参数，目标函数：$${\mathcal{L}}_{\mathrm{DPO}}\left({\pi }_{\theta };{\pi }_{\mathrm{ref}}\right)=-{\mathbb{E}}_{\left(x,y_w,y_l\right)\sim \mathcal{D}}\left[\log \sigma \left(\beta \log \frac{{\pi }_{\theta }\left(y_w\mid x\right)}{{\pi }_{\mathrm{ref}}\left(y_w\mid x\right)}-\beta \log \frac{{\pi }_{\theta }\left(y_l\mid x\right)}{{\pi }_{\mathrm{ref}}\left(y_l\mid x\right)}\right)\right]$$
    • 注意：奖励函数$r$和策略$\pi$的关系推倒出来后，就能把ranking loss中的奖励函数$r$替换
    • 目标函数含义：如果是好答案，则尽可能增大被policy策略模型生成的概率
  • 对上面的目标函数的梯度： $$\begin{array}{rl}& {\nabla }_{\theta }{\mathcal{L}}_{\mathrm{DPO}}\left({\pi }_{\theta };{\pi }_{\mathrm{ref}}\right)=\\ & -\beta {\mathbb{E}}_{\left(x,y_w,y_l\right)\sim \mathcal{D}}[\underset{\text{higher weight when reward estimate is wrong }}{\underbrace{\sigma \left({\hat{r}}_{\theta }\left(x,y_l\right)-{\hat{r}}_{\theta }\left(x,y_w\right)\right)}}[\underset{\text{increase likelihood of }{y}_w}{\underbrace{{\nabla }_{\theta }\log \pi \left(y_w\mid x\right)}}-\underset{\text{decrease likelihood of }{y}_l}{\underbrace{{\nabla }_{\theta }\log \pi \left(y_l\mid x\right)}}]],\end{array}$$

# 数据样例
{"question": "我的女儿快两岁了好动是怎么回事，我的女儿快两岁了，还不会坐的时候，当大人抱着坐时（90度），她会把两条腿抬起来使劲，绷直腿和脚尖，累了就放下来歇一下，然后再绷，表情专注还会累得出汗，当时人们说是孩子长身体呢，没有在意。", 
"response_chosen": "你好，有的孩子可能会有些小问题，但是大多数孩子是无大碍的，因为这个年龄段正是孩子好动的年龄段，而且每个孩子的性格和秉性不一样，有的孩子天生就是活泼，但是也有极少数可能会有关，至于出汗多，晚上睡眠出汗多，那可能是缺乏钙或其它营养元素。可以给宝宝进行一下和缺钙有关的检查，微量元素和血铅镉化验也很重要。", 
"response_rejected": "这个现象可能是由于婴儿发育过程中的骨骼生长造成的。"}

结果：在 RLHF 用于拟合奖励模型的交叉熵损失也可用于直接微调 LLM。根据他们的基准测试，使用 DPO 的效率更高，而且在响应质量方面也通常优于 RLHF/PPO。

（3）常见用于对齐的偏序数据集

• LLAVA-RLHF[112]。它包含从人类反馈中根据诚实和有用性收集的 10K 偏好对。该数据集主要用于减少模型响应中的幻觉
• RLHF-V[114]。它有 5.7K 细粒度的人类反馈数据，由段级幻觉校正收集
• VLFeedback[115]。它利用 AI 提供对模型响应的反馈。该数据集包含 GPT-4V 在有用性、忠实度和伦理问题方面得分超过 380K 比较对。
  

综述二：MM-LLMs: Recent Advances in MultiModal Large Language Models

论文：MM-LLMs: Recent Advances in MultiModal Large Language Models
2024年5月28日发的一篇paper。

下文的一些符号标记如下：
（1）模态标记如下：
I：图像，V：视频，A/S：音频/语音，T：文本。ID：文档理解，IB：输出边界框，IM：输出分割掩码，IR：输出检索到的图像
（2）相关模型带有的符号：
@224表示图片的分辨率是224X224；/14表示一个patch的大小为14

一、主流的MM-LLMs分类

这里不只是图生文-多模态大模型，还包括其他模态的LLM，比如image+text -> image+text。

相关SOTA多模态大模型：

二、MM-LLM的不同模块

训练Pipeline如下。由于模型生成不一定只有文字，这里和其实比第一篇综述多了output projector和modality geneator模态生成器。

• 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
• 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
• Output Projector：可以通过一个小型的Transformer或多层感知机（MLP）来实现
• Modality geneator：常见的方法如下
  • 图片生成：Latent Diffusion Models (LDMs) (Song et al., 2021; Bao et al., 2022; Zhao et al., 2022), i.e., Stable Diffusion (Rombach et al., 2022) for image synthesis
  • 视频生成：Zeroscope (Cerspense, 2023) for video synthesis, and AudioLDM2 (Liu et al., 2023b,c) for audio synthesis.

三、主流MM LLM的效果

在18 VL benchmarks上的结果：

综述三：主流的MLLM框架

第一种是“LLM作为离散调度器/控制器”的架构。如下图所示，LLM的角色是接收文本信号并向下游模块发出文本命令。系统内部的所有消息传递都是通过LLM输出的纯文本命令作为媒介进行的。不同的功能模块之间不存在交互。

第二种架构，编码器-LLM-解码器框架。 这也是目前最流行的架构。其中LLM的角色是感知多模态信息，并在一个编码器-LLM-解码器的结构中自行做出响应和操作。因此，LLM作为系统的关键联合部分，直接从外部接收多模态信息，并以更顺畅的方式委派指令给解码器/生成器。在编码器-LLM-解码器框架中，如下图所示，编码器处理来自多个模态的编码信号，LLM充当核心决策者，而解码器管理多模态输出。

Reference

[1] 多模态大语言模型全面综述：架构，训练，数据，评估，扩展，应用，挑战，机遇
[2] 从技术报告揭秘 InternLM2 尚未开源的部分——RLHF（一）奖励模型理论篇
[3] 万字长文总结多模态大模型最新进展（Modality Bridging篇）
[4] FesianXu博主：Alignment与Correspondence，用于量化衡量MLLM中视觉特征的视觉语义对齐与视觉结构程度的方法.wechat团队
[5] 一文看完多模态：从视觉表征到多模态大模型.北邮-菜人卷
[6] 多模态大语言模型（MLLM）为什么最近的工作中用BLIP2中Q-Former结构的变少了