Shikra：新一代多模态大语言模型，理解指向，说出坐标-CSDN博客

Shikra是一个多模态大语言模型，能够理解并产生位置输入和输出，适用于参考对话，如在XR眼镜场景中与用户进行高效交互。模型设计简洁，无需额外编码器或插件，且在各种视觉-语言任务中表现出色，包括图像描述、目标定位等。此外，Shikra利用Grounding-CoT改进思想链，提高复杂问题的回答准确性。

摘要由CSDN通过智能技术生成

来源：AINLP

“ Shikra：解锁多模态语言模型参考对话的魔法 🪄 ⭐️”

Shikra和用户的对话案例

在人类的日常交流中，经常会关注场景中的不同区域或物体，双方都可以通过说话并指向这些区域来进行高效的信息交换。我们将这种对话模式称为参考对话（Referential Dialogue）；
如果多模态大语言模型（MLLM）擅长这项技能，它将带来许多令人兴奋的应用。例如，将其应用到 Apple Vision Pro 等混合现实 (XR) 眼镜中，用户可以使用视线注视指示任何内容与AI对话。同时AI也可以通过高亮等形式来提示某些区域，实现与用户的高效交流；
本工作提出了 Shikra 模型，赋予了MLLM这样的参考对话的魔法，既可以理解位置输入，也可以产生位置输出。

📃论文链接：http://arxiv.org/abs/2306.15195

⚙️代码链接：https://github.com/shikras/shikra

—

工作亮点

Shikra 能够理解用户输入的 point/box，并支持 point/box 的输出，可以和人类无缝地进行参考对话；
Shikra 设计简单统一，采用非拼接式设计，直接使用数字表示坐标，不需要额外的位置编码器、前/后目标检测器或外部插件模块，甚至不需要额外的词汇表。

—

模型效果

比如上图，用户指着右边的女生问 Shikra：“这个人[bbox]的感受如何？” Shikra 回复说：“这个人[bbox]感觉到惊喜和高兴。我们可以根据：她用手[bbox]捂着脸，看着这个男人[bbox]送她一束花[bbox]推断出来。” Shikra 不仅推理正确，并且在提到关键视觉线索的时候还会提供在图上的坐标，这让沟通更加准确高效；

我们来看来自GPT4论文中的网红图片。相比GPT4的回复，Shikra 的回复不光 Get 到了图片的诙谐之处，还更确切地指出了每个需要被关注的目标的位置。作为对比，下面是GPT4的回答：

我们在下面再展示几个例子，更多的例子可以查阅 Paper。

比如 Shikra 会拼拼图，知道用户指出的拼图块应该拼到哪里。

用户指出两个区域， Shikra 会分辨出哪一个是倒影，哪一个是真身。

问 Shikra 这是不是兔兔🐰，她也不会上当，会指出这是一个小柴，只是穿着带着兔兔耳朵的衣服，在反驳时，Shikra 会一个一个指给你看

—

Box/Point 都行

对于输入输出模型还支持使用点（Point）的形式，用户在操作的时候会更加方便，无论是电脑上的鼠标点击，还是Vision Pro的注视点，都更加顺心了。下面是在PointQA数据集上的例子：

当然 Shikra 也支持Point的输出，比如Visual-7W中的例子，从诸多框中选择一个作为答案：

—

传统任务

参考对话（RD）是很多视觉-语言（VL）跨模态任务的超集，因此 Shikra 天然可以适配到不同的任务上，比如下面的表达式生成任务（REG）,要为用户指定的区域生成图片中图一无二的描述。

这难不倒 Shikra，她正确地说出了这是一个坐着三个人的长凳。

另外我们可以看下VL领域经典的表达式定位任务（REC），要求模型定位出用户给出的表达式：

定位出背景中的人，定位出风筝的线，都没有问题！示例看的不过瘾？可以看看的在REC上的定量指标，Shikra 取得了很不错的成绩：

Shikra 也有一定的OCR能力，尽管没有专门在相关的数据上训练：

还有本工作定义的新任务，Spotting Captioning 任务，模型需要边描述图片边写出提到的物体的坐标，效果就像这样：

当然也少不了最经典的 VQA 和 Image Captioning 的定量评价，Shikra取得了 promising 的结果:

在最新的POPE评价指标上，Shikra也表现不错，Shikra取得和InstrcutBLIP相当的结果，并远超近期其他MLLMs：

—

Shikra 原理

模型架构采用CLIP ViT-L/14 作为视觉主干，Vicuna-7/13B作为基语言模型，使用一层线性映射连接CLIP和Vicuna的特征空间。

Shikra 直接使用自然语言中的数字来表示物体位置，使用[xmin, ymin, xmax, ymax] 表示边界框，使用[xcenter, ycenter]表示区域中心点，区域的 xy 坐标根据图像大小进行归一化。每个数字默认保留 3 位小数。这些坐标可以出现在模型的输入和输出序列中的任何位置。记录坐标的方括号也自然地出现在句子中。在论文中，本工作也尝试使用其他方式进行数值表示，并做了定量的对比实验，感兴趣的朋友可以查看论文。

—

新思维链形式

思想链（CoT），旨在通过在最终答案前添加推理过程以帮助LLM回答复杂的QA问题。这一技术已被广泛应用到自然语言处理的各种任务中。目前的MLLM还存在严重的幻视问题，CoT也经常会产生幻觉，影响最终答案的正确性。通过在合成数据集CLEVR上的实验，本工作发现，使用带有位置信息的CoT时，可以提升模型回答的准确率。