多模态大语言模型 LlaVA 论文解读：Visual Instruction Tuning

总览

在这篇论文中，作者首次尝试使用纯语言 GPT-4 生成多模态语言图像指令遵循数据（insruction-following data）。通过对此类生成数据进行指令调整，推出了大型语言和视觉助手（Large Language and Vision Assistant，LLaVA）。一种端到端训练的大型多模态模型，连接视觉编码器和 LLM 以实现通用视觉和语言理解。

背景等相关方法：大型语言模型（LLM）表明语言可以发挥更广泛的作用：通用助手的通用接口，各种任务指令可以用语言明确表示并指导端到端训练有素的神经助手切换到感兴趣的任务来解决它。例如，最近 ChatGPT 和 GPT-4 的成功证明了对齐 LLM 在遵循人类指令方面的力量，并激发了人们对开发开源 LLM 的极大兴趣。其中，LLaMA [44] 是一个与 GPT-3 性能相匹配的开源 LLM。 Alpaca [43]、Vicuna [45]、GPT-4-LLM [34]利用各种机器生成的高质量指令跟随样本来提高 LLM 的对齐能力，与专有 LLM 相比，报告了令人印象深刻的性能。重要的是，这行工作是纯文本的。

不同于上面文本的指令微调，作者提出了视觉指令微调，第一个尝试将指令微调拓展到多模态领域调整。贡献如下：

数据方面：使用ChatGPT/GPT-4来将数据转化为多模态指令遵循数据（multimodel instrustion-following data）；
模型方面：使用CLIP+LLaMA进行指令微调，构建了多模态大模型LLaVA，得到了较好的结果；
开源，开源，还是开源！这年头大模型开源都算主要contribution了。

GPT-协助的数据生成

这部分我写的比较细，因为现在大模型论文在模型上区别并不大，主要还是数据的区别。

基于已有的大量图片对数据，利用ChatGPT/GPT-4进行多模态指令遵循数据的收集。主要问题集中在如何用 Language-only/Text-only的ChatGPT/GPT-4模型来为图片内容生成对应的指令。

最基本的方式：图片Xv和其对应的说明文字Xc，构建一个问题集合Xq来提示大模型助手对图片内容进行描述。通过提示GPT-4可以构建这样一个问题序列，如下图：

然后可以将图文对扩展成指令遵循版本的数据格式：Human: Xq Xv \n Assistant: Xc \n。

但这样构造的数据都缺乏多样性和深入推理性，为了弥补这一问题，作者将视觉内容编码送进ChatGPT来提高指令的质量，用了两类的符合表示：文字说明（通常从不同的角度描述视觉场景）和编辑框BBox（通常对场景中的物体进行定位，每个边界框对物体的概念及其空间位置进行编码），如下图：

通过这两类符合表示，将视觉内容传达给了大模型，然后手工设计了3种对话方式，利用GPT-4进行生成和扩充，分别是对话、细节描述和复杂推理。

这里的每种类型使用的问题（Question）也是通过GPT进行in-context-learning来模仿生成的。其中，图片/描述/边界框等信息使用COCO数据集的数据。

以对话为例，作者采用了下图的方式生成更多的对话标签。

最终累积158K的语言-图片指令遵循样本，58K对话、23K细节描述和77K复杂推理。同时在使用ChatGPT和GPT-4时，作者发现GPT-4生成的指令遵循数据质量更高，比如空间推理能力。

网络结构

与GPT-4-LLM[34], Alpaca[43], Vicuna[45]类似，作者使用LLaMA来做指令微调任务，网络结构如下。整体比较简单，再语言模型前（LLaMA）添加了一个视觉编码器（CLIP）将图片转化为Patch features，然后这些图片特征经过一个映射层W转化为视觉Token，Vison Token与Language Token指令在同一个特征空间，一起拼接（concantate）一起送进大模型。

这里的映射层W可以替换为更复杂的网络来提升性能。

模型训练

使用如下图的方式组织输入输出，其中绿色部分为参与损失计算的部分，损失使用自回归模型的损失，即next token prediction。

作者使用了两阶段的训练方式：

预训练特征对齐模块（映射层W）；
端对端的微调语言模型+映射层。

实验效果

其他可以学习的文章

miniGPT-4的同期工作: 微软LLaVa模型论文笔记：https://zhuanlan.zhihu.com/p/625723805

Visual Instruction Tuning：https://zhuanlan.zhihu.com/p/624071363

参考文献

[34] Baolin Peng, Chunyuan Li, Pengcheng He, Michel Galley, and Jianfeng Gao. Instruction tuning with GPT-4.

[43] Rohan Taori, Ishaan Gulrajani, Tianyi Zhang, Yann Dubois, Xuechen Li, Carlos Guestrin, Percy Liang, and Tatsunori B. Hashimoto. Stanford alpaca: An instruction-following llama model. https://github.com/tatsu-lab/stanford_alpaca, 2023

[44] Hugo Touvron, Thibaut Lavril, Gautier Izacard, Xavier Martinet, Marie-Anne Lachaux, Timo- thée Lacroix, Baptiste Rozière, Naman Goyal, Eric Hambro, Faisal Azhar, et al. Llama: Open and efficient foundation language models. arXiv preprint arXiv:2302.13971, 2023.

[45] Vicuna. Vicuna: An open-source chatbot impressing gpt-4 with 90%* chatgpt quality. https: //vicuna.lmsys.org/, 2023.