GPT-4o的橫空出世,再次創(chuàng)立了一個多模態(tài)模型發(fā)展的新范式! 為什么這么說? OpenAI將其稱為「首個『原生』多模態(tài)」模型,意味著GPT-4o與以往所有的模型,都不盡相同。 傳統(tǒng)的多模態(tài)基礎(chǔ)模型,通常為每種模態(tài)采用特定的「編碼器」或「解碼器」,將不同的模態(tài)分離開。 然而,這種方法限制了模型,有效融合跨模態(tài)信息的能力。 官博介紹,GPT-4o是「首個端到端」訓(xùn)練的,跨越文本、視覺和音頻的模型,所有的輸入和輸出,都由單個神經(jīng)網(wǎng)絡(luò)處理。 而現(xiàn)在,業(yè)界首個敢于挑戰(zhàn)GPT-4o的模型現(xiàn)身了! 最近,來自Meta團(tuán)隊的研究人員發(fā)布了「混合模態(tài)基座模型」——Chameleon(變色龍)。 論文地址:https://arxiv.org/pdf/2405.09818 與GPT-4o一樣,Chameleon采用了統(tǒng)一的Transformer架構(gòu),使用文本、圖像和代碼混合模態(tài)完成訓(xùn)練。 以類似文本生成的方式,對圖像進(jìn)行離散「分詞化」(tokenization),最終生成和推理交錯的文本和圖像序列。 這種「早期融合」的方法,所有的pipeline從一開始就被映射到一個共同的表示空間,因此模型可以無縫處理文本和圖像。 Chameleon生成的多模態(tài)內(nèi)容 與此同時,這樣的設(shè)計,為模型訓(xùn)練帶來了重大的技術(shù)挑戰(zhàn)。 對此,Meta研究團(tuán)隊引入了一系列架構(gòu)創(chuàng)新和訓(xùn)練技術(shù)。 結(jié)果表明,在純文本任務(wù)中,340億參數(shù)Chameleon(用10萬億多模態(tài)token訓(xùn)練)的性能和Gemini-Pro相當(dāng)。 在視覺問答和圖像標(biāo)注基準(zhǔn)上,刷新SOTA,性能接近GPT-4V。 不過,不論是GPT-4o,還是Chameleon,都是新一代「原生」端到端的多模態(tài)基礎(chǔ)模型早期探索。 GTC 2024大會上,老黃描述了邁向AGI最終愿景的重要一步——各種模態(tài)互通有無。 下一個開源GPT-4o要來? Chameleon的發(fā)布,簡直就是對GPT-4o做出最快的反應(yīng)。 有網(wǎng)友表示,token進(jìn),token出,簡直無法去解釋。 甚至還有人稱,在GPT-4o誕生之后發(fā)布的非常扎實的研究,OOS將迎頭趕上。 不過,目前Chameleon模型支持生成的模態(tài),主要是圖像文本。缺少了GPT-4o中的語音能力。 網(wǎng)友稱,然后只需添加另一種模態(tài)(音頻),擴(kuò)大訓(xùn)練數(shù)據(jù)集,「烹飪」一段時間,我們就會得到GPT-4o...? Meta的產(chǎn)品管理總監(jiān)稱,「我非常自豪能夠給予這個團(tuán)隊支持。讓我們朝著讓GPT-4o更接近開源社區(qū)的方向邁進(jìn)一步」。 或許用不了多久,我們就得到了一個開源版的GPT-4o。 接下來,一起看看Chameleon模型的技術(shù)細(xì)節(jié)。 技術(shù)架構(gòu) Meta在Chameleon的論文中首先表示:很多新近發(fā)布的模型依舊沒有將「多模態(tài)」貫徹到底。 這些模型雖然采用了端到端的訓(xùn)練方式,但仍然單獨對不同模態(tài)進(jìn)行建模,使用分開的編碼器或解碼器。 如開頭所述,這種做法限制了模型跨模態(tài)信息的能力,也難以生成包含任意形式信息的、真正的多模態(tài)文檔。 為了改進(jìn)這種缺陷,Meta提出了一系列「混合模態(tài)」的基座模型Chameleon——能夠生成文本和圖像內(nèi)容任意交織在一起的內(nèi)容。 Chameleon的生成結(jié)果,文本和圖像交錯出現(xiàn) 所謂「混合模態(tài)」基座模型,指Chameleon不僅使用了端到端的方式從頭開始訓(xùn)練,而且訓(xùn)練時將所有模態(tài)的信息交織混合在一起,并使用統(tǒng)一的架構(gòu)處理。 如何將所有模態(tài)的信息混合在同一個模型架構(gòu)中表示? 答案還是「token」。 只要全部表示為token,就可以把所有所有模態(tài)的信息映射到同一個向量空間中,讓Transformer無縫處理。 但是,這種做法會帶來優(yōu)化穩(wěn)定性以及模型擴(kuò)展性方面的技術(shù)挑戰(zhàn)。 為了解決這些問題,論文相應(yīng)地對模型架構(gòu)進(jìn)行創(chuàng)新,并使用了一些訓(xùn)練技巧,包括QK歸一化和Zloss等。 同時,論文也提出了將純文本LLM微調(diào)為多模態(tài)模型的方法。 圖像「分詞器」 要將所有模態(tài)全部表示為token,首先需要一個強(qiáng)大的分詞器。 為此,Chameleon的團(tuán)隊在Meta之前一篇論文的基礎(chǔ)上開發(fā)了一種新的圖像分詞器,基于大小為8192的codebook,將規(guī)格為512×512的圖像編碼為1024個離散的token。 文字分詞器則基于谷歌開發(fā)的sentencepiece開源庫,訓(xùn)練了一個同時含有65536個文本token與8192個圖像token的BPE分詞器。 預(yù)訓(xùn)練 為了徹底激發(fā)「混合模態(tài)」的潛力,訓(xùn)練數(shù)據(jù)也是將不同模態(tài)打散、混合呈現(xiàn)給模型的,既有純文本、文本-圖像對,也有文本、圖像交錯出現(xiàn)的多模態(tài)文檔。 純文本數(shù)據(jù)囊括了Llama 2和CodeLlama所使用的所有預(yù)訓(xùn)練數(shù)據(jù),共計2.9萬億個token。 文本-圖像對包含了一些公開數(shù)據(jù),共計14億對、1.5萬億個token。 對于文本和圖像交錯的數(shù)據(jù),論文特意強(qiáng)調(diào)沒有包含來自Meta產(chǎn)品的數(shù)據(jù),完全使用公開數(shù)據(jù)來源,整理出共4000億個token。 Chameleon的預(yù)訓(xùn)練分兩個單獨的階段進(jìn)行,分別占總訓(xùn)練比例的80%和20%。 訓(xùn)練的第一階段就是讓模型以無監(jiān)督的方式學(xué)習(xí)以上數(shù)據(jù),第二階段開始時,先將第一階段得到的權(quán)重降低50%,并混合更高質(zhì)量的數(shù)據(jù)讓模型繼續(xù)學(xué)習(xí)。 在模型擴(kuò)展到超過8B參數(shù)和1T token時,訓(xùn)練后期會產(chǎn)生明顯的不穩(wěn)定問題。 由于所有模態(tài)共享模型權(quán)重,每個模態(tài)似乎都有增加norm的傾向,與其他模態(tài)「競爭」。 這在訓(xùn)練初期不會產(chǎn)生太大的問題,但隨著訓(xùn)練的進(jìn)行、數(shù)據(jù)超出bf16的表達(dá)范圍時,就會有l(wèi)oss發(fā)散的現(xiàn)象。 研究人員將其歸因于softmax函數(shù)所具有的平移不變性,這種現(xiàn)象在單模態(tài)模型中也被稱為「logit 漂移」(logit drift)。 因此,論文提出了一些架構(gòu)調(diào)整和優(yōu)化方法來保證穩(wěn)定性: -QK歸一化(query-key normalization):將layer norm應(yīng)用于注意力模塊中的query和key向量,從而直接控制softmax層輸入的norm增長。 -在注意力層和前饋層之后引入dropout -在損失函數(shù)中使用Zloss正則化 除了數(shù)據(jù)來源和架構(gòu),論文還大方公開了預(yù)訓(xùn)練所用的算力規(guī)模。 硬件型號為80GB內(nèi)存的英偉達(dá)A100,7B版本并行使用1024個GPU訓(xùn)練了約86萬個GPU小時,34B模型所用的GPU數(shù)量則擴(kuò)大了3倍,GPU小時數(shù)超過428萬。 作為曾經(jīng)開源Llama 2的公司,Meta的研究團(tuán)隊確實大方,相比連技術(shù)報告都沒有的GPT-4o,這篇有數(shù)據(jù)有干貨的論文可謂「仁至義盡」。 全面超越Llama 2 具體的實驗評估中,研究人員將其分為人工評估和安全測試,以及基準(zhǔn)評估。 基準(zhǔn)評估 Chameleon-34B使用了比Llama 2多四倍的token進(jìn)行訓(xùn)練后,在各種單模態(tài)的基準(zhǔn)測試中都取得了驚艷的效果。 在純文本任務(wù)生成中,研究人員將預(yù)訓(xùn)練(非SFT)模型的純文本功能與其他領(lǐng)先的純文本LLM進(jìn)行比較。 評估內(nèi)容包括,常識推理、閱讀理解、數(shù)學(xué)問題和世界知識領(lǐng)域,評估結(jié)果如下表所示。 - 常識推理和閱讀理解 可以觀察到, 與Llama 2相比,Chameleon-7B和Chameleon-34B更具競爭力。甚至,34B甚至在5/8的任務(wù)上超過了Llama-2 70B,性能與Mixtral-8x7B相當(dāng)。 - 數(shù)學(xué)和世界知識 盡管進(jìn)行了其他模態(tài)的訓(xùn)練,但兩個Chameleon模型都表現(xiàn)出很強(qiáng)的數(shù)學(xué)能力。 在GSM8k上,Chameleon-7B的表現(xiàn)優(yōu)于相應(yīng)參數(shù)規(guī)模的Llama 2模型,性能與Mistral-7B相當(dāng)。 此外,Chameleon-34B在maj@1(61.4 vs 56.8)和Mixtral-8x7B在maj@32 (77.0 vs 75.1)上的表現(xiàn)均優(yōu)于Llama 2-70B。 同樣,在數(shù)學(xué)運算中,Chameleon-7B的性能超過Llama 2,與Mistral-7B在maj@4上的性能相當(dāng),而 Chameleon-34B的性能超過Llama 2-70B,接近Mixtral-8x7B在maj@4上的性能(24.7 vs 28.4)。 總體而言,Chameleon的性能全面超過了Llama 2,在某些任務(wù)上接近Mistral-7B/8x7B。 在文本到圖像任務(wù)中,研究人員具體評測了視覺問答、圖像標(biāo)注兩項具體任務(wù)。 Chameleon在視覺問答和圖像標(biāo)注任務(wù)中打敗Flamingo和Llava-1.5等模型成為SOTA,在純文本任務(wù)中也和第一梯隊的Mixtral 8x7B、Gemini Pro等模型表現(xiàn)相當(dāng)。 人工評估和安全測試 同時,為了進(jìn)一步評估模型生成多模態(tài)內(nèi)容的質(zhì)量,論文也在基準(zhǔn)測試之外引入了人類評估實驗,發(fā)現(xiàn)Chameleon-34B的表現(xiàn)遠(yuǎn)遠(yuǎn)超過了Gemini Pro和GPT-4V。 相對于GPT-4V和Gemini Pro,人類評委分別打出了51.6%和60.4的偏好率。 下圖展示了,對于一組多樣化的、來自人類標(biāo)注者的prompt,Chameleon與基線模型在理解和生成內(nèi)容方面的性能對比。 其中的每個問題,都由三個不同的人類標(biāo)注回答,并將多數(shù)票作為最終答案。 為了了解人類標(biāo)注者的質(zhì)量,以及問題的設(shè)計是否合理,研究人員還檢查了不同標(biāo)注者之間的一致性程度。 表5是對20,000個眾包提示和445個紅隊交互進(jìn)行的安全測試,引發(fā)模型產(chǎn)生不安全內(nèi)容。 與Gemini和GPT-4V相比,Chameleon在處理需要交錯、混合模態(tài)響應(yīng)的提示時,非常有競爭力。 從示例中可以看到,在完成問答任務(wù)時,Chameleon既能理解輸入的文本+圖像,也能為模型輸出內(nèi)容加上合適的「配圖」。 并且,Chameleon生成的圖像通常與上下文相關(guān),這樣一來,這種交錯內(nèi)容的輸出對用戶來說,極具吸引力。 貢獻(xiàn)團(tuán)隊 論文最后,還放上了參與這項研究的貢獻(xiàn)者。 包括預(yù)訓(xùn)練、對齊和安全、推理和評估、所有項目的參與者。 其中,*表示共同一作,†表示關(guān)鍵貢獻(xiàn)者,‡表示工作流程負(fù)責(zé)人,♯表示項目負(fù)責(zé)人。 參考資料: https://the-decoder.com/metas-chameleon-ai-model-blends-text-and-images-hinting-at-a-future-gpt-4o-rival/ 文章來源:新智元 |
原創(chuàng)欄目
IT百科
網(wǎng)友評論
聚超值•精選