共计 2554 个字符，预计需要花费 7 分钟才能阅读完成。
代码：https://github.com/haotian-liu/LLaVA
总览
在这篇论文中，作者首次尝试应用 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，连贯视觉编码器和 LLM 以实现通用视觉和语言了解。
背景等相干办法：大型语言模型（LLM）表明语言能够施展更宽泛的作用：通用助手的通用接口，各种工作指令能够用语言明确示意并领导端到端 训练有素的神经助手切换到感兴趣的工作来解决它。例如，最近 ChatGPT 和 GPT-4 的胜利证实了对齐 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 的极大趣味。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追随样本来进步 LLM 的对齐能力，与专有 LLM 相比，报告了令人印象粗浅的性能。重要的是，这行工作是纯文本的。
不同于下面文本的指令微调，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畛域调整。奉献如下：
- 数据方面：应用 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：应用 CLIP+LLaMA 进行指令微调，构建了多模态大模型 LLaVA，失去了较好的后果；
- 开源，开源，还是开源！这年头大模型开源都算次要 contribution 了。
GPT- 帮助的数据生成
这部分我写的比拟细，因为当初大模型论文在模型上区别并不大，次要还是数据的区别。
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。次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。
最根本的形式：图片 Xv和其对应的 阐明文字 Xc，构建一个 问题汇合 Xq来提醒大模型助手对图片内容进行形容。通过提醒 GPT- 4 能够构建这样一个问题序列，如下图：
而后能够将图文对扩大成指令遵循版本的数据格式：Human: Xq Xv <STOP> \n Assistant: Xc <STOP> \n。
但这样结构的数据都 不足多样性和深刻推理性 ，为了补救这一问题，作者 将视觉内容编码送进 ChatGPT来进步指令的品质，用了两类的合乎示意：文字说明 （通常从不同的角度形容视觉场景）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地位进行编码），如下图：
通过这两类合乎示意，将视觉内容传播给了大模型，而后手工设计了 3 种对话形式，利用 GPT- 4 进行生成和裁减，别离是 对话、细节形容 和简单推理。
这里的每种类型应用的问题（Question）也是通过 GPT 进行 in-context-learning 来模拟生成的。其中，图片 / 形容 / 边界框等信息应用 COCO 数据集的数据。
以对话为例，作者采纳了下图的形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 细节形容和 77K 简单推理。同时在应用 ChatGPT 和 GPT- 4 时，作者发现 GPT- 4 生成的指令遵循数据品质更高，比方空间推理能力。
网络结构
与 GPT-4-LLM[34], Alpaca[43], Vicuna[45]相似，作者应用 LLaMA 来做 指令微调工作，网络结构如下。整体比较简单，再语言模型前（LLaMA）增加了一个视觉编码器（CLIP）将图片转化为 Patch features，而后这些图片特色通过一个映射层 W 转化为视觉 Token，Vison Token 与 Language Token 指令在同一个特色空间，一起拼接（concantate）一起送进大模型。
这里的映射层 W 能够替换为更简单的网络来晋升性能。
模型训练
应用如下图的形式组织输入输出，其中绿色局部为参加损失计算的局部，损失应用自回归模型的损失，即 next token prediction。
作者应用了两阶段的训练形式：
- 预训练特色对齐模块（映射层 W）；
- 端对端的微调语言模型 + 映射层。
试验成果
其余能够学习的文章
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.
