LLaVA（NeurIPS 2023, Oral）-图文聊天模型论文解读

论文： 《Visual Instruction Tuning》
github： https://github.com/haotian-liu/LLaVA/tree/main

摘要

使用生成的instruction微调LLM以及被证明可以改进zero-shot能力，但是该方案未在多模态领域验证。作者尝试使用GPT-4生成多模态语言-图像数据。通过在这些生成数据上微调，作者引入LLaVA，一个大多模态模型，将用于通用视觉和语言理解的视觉编码器与LLM结合。作者构建两个评估基准，LLaVA展示多模态聊天能力，甚至是未见过的图片/instruction，在一个多模态数据集达到85.1%的相对GPT-4得分，在Science QA数据集微调后，LLaVA与GPT-4结合达到92.53%。

引言

本文贡献如下：

• 多模态指令跟随数据。作者提出一种数据改造流程，使用ChatGPT/GPT-4将图文对转换为指令跟随的格式。
• 大多模态模型（LMM）。作者提出LMM，连接CLIP的视觉编码器与语言解码器，在生成的指令跟随数据集上进行微调，与GPT-4集成后，在Science QA数据集达到SoTA。
• 多模态指令跟随基准。
• 开源。

GPT辅助视觉指令数据生成

一种简单的数据生成方式是：
$Human：X_q,X_v，Assistant：X_c$
该方案虽然成本低，但是缺少多样性及推理深度。
为减缓该问题，作者使用GPT-4或ChatGPT作为老师，为了编码图像为视觉特征用于提示仅支持文本的GPT，作者使用两种类型的表征，如表14上：
1、caption从各种角度描述视觉场景；
2、Bounding box对场景中目标进行定位，每个框编码目标及其空间位置。
这将图像编码为LLM可识别序列。
作者基于COCO数据集将上述表征代替图像输入GPT-4，生成三种指令引导数据，如表14下。对话、细节描述、复杂推理。
作者总共收集158k图文指令引导数据。

视觉instruction微调

结构

如图1，对于输入图片$X_v$，作者使用预训练CLIP中视觉encoder ViT-L/14编码为视觉特征$Z_v$，作者使用可训练的映射矩阵$W$将$Z_v$转换为语言嵌入$token{H}_v$，与word embedding具有相同空间维度。

训练

对于每张图片$X_v$生成多轮对话数据$(X_q^1,X_a^1,???,X_q^T,X_a^T)$，对于序列长度为L，计算目标目标回答$X_a$的可能性，如式3，

LLaVA模型训练时，使用两阶段instruction微调：
stage1：预训练用于特征对齐。
frozen 视觉编码器、LLM权重，通过训练映射矩阵$W$，最大化式3中似然函数。通过这种方式将图像特征$H_v$对齐到预训练LLM word embedding。
stage2：端到端微调
frozen视觉编码器，更新LLaVA中映射层级LLM。作者考虑两个特定的用例场景：
Multimodal Chatbot：基于上一节中158K图文数据进行微调。
Science QA：

实验

多模态聊天机器人

如表3，LLaVA提供更全面答复。

量化评估

作者利用GPT-4测试生成回复的质量。具体而言，LLaVA依据图像和问题预测答复，使用GPT-4预测生成结果作为理论上限，将两个响应一起送入GPT-4进行打分评估。考虑到GPT-4输入为图像描述，因此作者使用相对得分。进而创建两个基线评估模型性能。

LLaVA-Bench (COCO)

随机选取COCO中30张图，每张图生成三种问题。作者使用不同训练集，研究对模型影响，结果如表4，使用instruction tuning，可大幅提升50个点；增加少量充满细节描述及复杂问题，可提升7个点，同时也提高会话能力的表现。最终使用三种问题达到85.1%。

LLaVA-Bench (In-the-Wild)

为测试模型在更有挑战任务中的能力，作者选取24张内容丰富图片及60个问题，在表5中与BLIP、OpenFlamingo进行比较。LLaVA在复杂对话中达到81.7%，总分67.3%。

限制

如表6，作者提供caption与问题相关联的两个实例。图左中，为了回答餐馆名字，模型需要多语言理解能力；描述配菜，模型需要具有从互联网检索相关多模态信息能力。图右中，对于是否有草莓味酸奶回答错误，尽管冰箱中只有草莓和酸奶。

ScienceQA

结果如表7，通过12个epoch训练后，达到90.92%准确率，使用GPT-4作为补充，达到90.97%，使用GPT-4从GPT-4与LLaVA输出中挑选最佳答案，达到92.53%。

消融实验

在ScienceQA数据集上消融实验如表8，
使用最后一层视觉特征比前一层特征低0.96%；
验证模型预测推理及答案的先后顺序，先预测答案，需要12个epoch达到89.77%；而先预测推理仅需6个epoch达到89.77%，因此先预测推理可加速拟合。
不使用预训练，模型仅达到85.71%；
作者训练13B模型达到90.92%，使用7B模型仅达到89.84%，说明模型尺寸影响比较大。

结论

本文证明视觉指令微调的有效性。展示一种创建语言-图像指令跟随数据集流程，基于此训练LLaVA，在ScienceQA数据集经过finetune后达到SOTA。