在最新的研究中，苹果公司的研究团队深入探讨了构建高性能多模态大型语言模型（LLM）的方法和见解。通过细致的消融实验，他们确定了在模型架构决策和预训练数据选择方面的关键设计原则。研究结果表明，图像分辨率、图像编码器的预训练目标，以及不同类型的预训练数据的混合比例对模型性能有着显著影响。基于这些发现，研究者们构建了MM1，这是一个具有最多30B参数的多模态模型家族，包括密集模型和混合专家（MoE）变体，这些模型在预训练指标中表现出色，并在一系列多模态基准测试中展现了竞争力。
随着大规模图像文本数据和计算资源的可用性，多模态LLM已经成为语言和图像理解领域的新标准。
这些模型结合了大规模预训练的自回归最小二乘法模型，能够处理文本和视觉标记，后者通过图像编码器获得。研究者们通过消融实验，分析了图像编码器预训练、视觉-语言连接器设计，以及预训练数据混合对模型性能的影响。
模型架构与数据选择的关键发现：
- 图像分辨率和图像编码器预训练目标对模型性能有显著影响，而视觉-语言连接器的设计相对次要。
- 预训练数据的混合比例对少样本和纯文本性能至关重要，其中标题数据对零样本性能的提升最为有效。
MM1模型家族的构建与性能：
研究者们基于上述发现构建了MM1模型家族，通过扩大模型规模（从3B到30B参数）和探索混合专家模型，MM1在多个基准测试中取得了最先进的结果。特别是在少样本设置下，MM1在字幕和视觉问答（VQA）任务上超越了现有模型。
监督微调和性能分析：
在预训练之后，研究者们对MM1模型进行了监督微调（SFT），进一步提升了模型在各种任务上的性能。他们发现，图像分辨率的提高和预训练数据量的增加对SFT性能有积极影响。此外，MM1在处理多图像和思维链推理任务时表现出色，这得益于其大规模的多模态预训练。
结论：
MM1项目的研究成果为构建高性能多模态LLM提供了宝贵的经验教训。通过精心设计的预训练策略和模型架构选择，MM1模型家族在多个基准测试中展现了卓越的性能。这些见解不仅有助于推动多模态LLM的发展，也为未来研究提供了重要的参考。
参考文献：
[1] Achiam, J., et al.: Gpt-4 technical report. arXiv preprint arXiv:2303.08774 (2023)
[2] Agrawal, H., et al.: Nocaps: Novel object captioning at scale. In: Proceedings of the IEEE/CVF international conference on computer vision. pp. 8948--8957 (2019)
[3] Alayrac, J.B., et al.: Flamingo: a visual language model for few-shot learning (2022)
[4] Awadalla, A., et al.: Openflamingo: An open-source framework for training large autoregressive vision-language models. arXiv preprint arXiv:2308.01390 (2023)
[5] Brown, T., et al.: Language models are few-shot learners. Advances in neural information processing systems 33, 1877--1901 (2020)
[6] Chen, X., et al.: Microsoft coco captions: Data collection and evaluation server. arXiv preprint arXiv:1504.00325 (2015)
[7] Devlin, J., et al.: Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805 (2018)
[8] Dosovitskiy, A., et al.: An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929 (2020)
[9] Gao, L., et al.: Sphinx-x: Scaling data and parameters for a family of multi-modal large language models. arXiv preprint arXiv:2402.05935 (2024)
[10] He, K., et al.: Deep residual learning for image recognition. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 770--778 (2016)