视觉语言模型（VLMs）知多少？

最近这几年，自然语言处理和计算机视觉这两大领域真是突飞猛进，让机器不仅能看懂文字，还能理解图片。这两个领域的结合，催生了视觉语言模型，也就是Vision language models (VLMs) ，它们能同时处理视觉信息和文字数据。

VLMs就像是AI界的新宠，能搞定那些既需要看图又需要读文的活儿，比如给图片配文字、回答有关图片的问题，或者根据文字描述生成图片。以前这些活儿都得靠不同的系统来干，但现在VLMs提供了一个统一的解决方案。咱们得好好研究研究这些视觉语言模型。

那视觉语言模型到底是啥？

简单来说，视觉语言模型就是把计算机视觉 和自然语言处理这两大技术合二为一。

计算机视觉就是让机器能看懂图像和视频里的东西，比如认出里面有什么物体、图案之类的。

而自然语言处理呢，就是让机器能理解和生成人类的语言，这样机器就能读得懂、分析得了，还能自己写东西。

VLMs就是通过构建一种能同时处理视觉和文本输入的模型，把这两个领域给连接起来了。这背后靠的是深度学习的一些高级架构，尤其是那些变换器(Transformer)模型，它们在像GPT-4o、Llama、Gemini和Gemma这样的大型语言模型中发挥了关键作用。

这些基于变换器的架构被调整来处理多种类型的输入，让VLMs能捕捉到视觉信息和语言数据之间那些复杂的联系。

VLMs到底是怎么个工作法?

你记得那个为了处理自然语言而搞出来的变换器模型吗？就是那个能处理长距离的依赖关系，还能抓住数据里上下文联系的厉害玩意儿。这个模型现在已经成了很多高级AI系统的中坚力量。

这个变换器架构，最早是在2017年的一篇论文**《Attention is All You Need》**（ https://arxiv.org/abs/1706.03762 ）里提出来的。

Transformer网络架构

在VLMs的世界里，变换器被调整成了能同时处理图像和文本，让这两种不同类型的信息能够无缝地整合在一起。想要更详细了解 Transformer 的话，可以参见之前的文章：《Transformer架构的详解》及《用PyTorch构建Transformer模型实战》

一般来说，一个典型的VLM架构包括两个主要的部分：图像编码器 和文本解码器。

图像编码器：这家伙的职责是处理视觉数据，比如图片，然后提取出里面的关键特征，比如物体、颜色、纹理等等，把它们转换成模型能懂的格式。
文本解码器：这个部件负责处理文本数据，根据图像编码器提供的视觉特征来生成输出。

Encoder-Decoder 功能

这两个部件在VLM里头就像是多模态融合的大管家。

通过把这两部分结合起来，VLMs能干的事儿可多了，比如能给图片写出详细的描述，回答有关图片的问题，甚至根据文字描述生成全新的图片呢！VLMs工作的过程大概是这样的：

图像分析：图像编码器先检查图片，然后生成一个代码，这个代码代表了图片的关键视觉特征。
信息结合：文本解码器拿到这个代码后，会把它和任何文本输入（比如一个问题）结合起来，一起处理。
生成输出：文本解码器用这种结合后的理解来生成一个回应，比如给图片配上字幕，或者回答问题。

大多数VLMs用的是视觉变换器 （Vision Transformer, ViT）作为图像编码器，这个编码器已经在大量的图像数据集上预训练过，确保它能有效地捕捉到多模态任务需要的视觉特征。

文本解码器则是基于语言模型，经过微调后能处理视觉数据上下文中的语言生成的复杂性。这种视觉和语言处理能力的高度结合，让VLMs成为了一种非常通用而且强大的模型。

开发VLMs的一个重大挑战就是要有大型而且多样化的数据集，里面得包含视觉和文本信息。这些数据集对于训练模型理解和生成多模态内容非常关键。

训练VLMs的过程，就是把图像和它们相应的文本描述成对地输入到模型里，让模型学会视觉元素和语言表达之间的复杂关系。

为了处理这些数据，VLMs通常会用到嵌入层，把视觉和文本输入都转换成高维空间里的表示，这样它们就可以在那里被比较和结合起来。

这种嵌入过程让模型能够理解两种模态之间的联系，并且生成既连贯又符合上下文的输出。想要了解更多关于嵌入的细节，可以参见《大话LLM之向量嵌入》及《LLM向量嵌入知多少》两篇文章。

那现在有哪些比较主流的开源的视觉语言模型？

这个领域可真是海了去了，Hugging Face Hub上就有不少现成的开源模型。这些模型大小不一，功能各异，许可证也各不相同，给不同需求的用户提供了丰富的选择。下面咱们就来看看一些特别出色的开源VLMs，以及它们的关键特点：

最新的VLMs及其关键特点

要找到最适合自己特定需求的VLMs，面对这么多选项确实有点难。不过，有几个工具和资源能帮上忙：

Vision Arena：这是一个动态排行榜，基于模型输出的匿名投票。用户上传一张图片和一个提示，然后系统会从两个不同的模型中随机抽取输出，让用户选择他们更喜欢哪个。这个排行榜完全是基于人的喜好来构建的，给模型提供了一个公平的排名。
Open VLM Leaderboard：这个排行榜会根据不同的指标和平均分数给各种VLMs打分，还提供了筛选器，可以按照模型的大小、许可证和不同指标的性能来排序。
VLMEvalKit：这是一个工具包，专门设计用来在VLMs上运行基准测试，也是Open VLM Leaderboard的技术支持。还有一个评估套件叫LMMS-Eval，它提供了一个命令行界面，让用户可以使用Hugging Face Hub上托管的数据集来评估模型。

虽然Vision Arena和Open VLM Leaderboard提供了很多有价值的信息，但它们只能包括那些已经被提交的模型，而且需要定期更新，才能加入新模型。

我们怎么评估这些视觉语言模型？

通常得用到几种专门的基准测试，下面简要介绍几种，详情可参见：《大型语言模型基准测试：理解语言模型性能》：

MMMU：这个大规模多学科多模态理解和推理的基准测试，覆盖了超过11,500个多模态的挑战，需要用到像艺术和工程这样的不同学科的大学水平知识。
MMBench：这个基准测试包含了20种不同技能的3000个单选题，比如光学字符识别（OCR）和目标定位。它用CircularEval策略，就是把答案选项随机打乱，模型得一直能选出正确答案。
特定领域的基准测试：还有一些更专业的基准测试，比如MathVista（视觉数学推理）、AI2D（图表理解）、ScienceQA（科学问题回答）和OCRBench（文档理解），这些都能提供更专门的评估。

这些测试帮研究人员和开发者评估和比较不同VLMs的性能，让他们能更好地理解模型在特定任务和场景下的效果。通过这些测试，我们能更精确地知道模型处理多模态数据、理解复杂概念和生成准确响应的能力。

技术细节：预训练VLMs

预训练VLMs就是要把图像和文本的信息统一起来，然后输入到文本解码器里生成文本。这通常包括一个图像编码器、一个用来对齐图像和文本信息的嵌入投影器，还有一个文本解码器。不过，不同的模型可能会用不同的预训练策略。

很多时候，如果你能针对特定用途微调现有的模型，可能连预训练VLMs都不需要。像Transformers和SFTTrainer这样的工具，让微调模型变得简单，即使是资源有限的人也能轻松上手。

实现开源VLMs

下面是一个用HuggingFace的Transformers库，我们可以在自己的电脑上免费使用开源VLM LlavaNext模型：

from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration
import torch
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
processor = LlavaNextProcessor.from_pretrained(
    "llava-hf/llava-v1.6-mistral-7b-hf"
)
model = LlavaNextForConditionalGeneration.from_pretrained(
    "llava-hf/llava-v1.6-mistral-7b-hf",
    torch_dtype=torch.float16,
    low_cpu_mem_usage=True
)
model.to(device)

这样，我们就能在自己的项目中用上这些强大的开源VLMs了。

VLMs 有哪些应用场景?

VLMs 本事可不止是给图片加个字幕那么简单。这些模型就像是视觉和文本信息之间的超级翻译官，开启了一大堆应用的大门。咱们一块儿看看VLMs在各行各业里头都有哪些影响力大的应用。

视觉问题回答（Visual Question Answering, VQA）

想象一下，你给机器看张图，然后问它问题，比如"这图里最高的楼是什么颜色的？"或者"这图里有几个人？"VQA就是干这个的。这要求模型得能读懂图里的视觉信息，还得理解你问话的上下文。在医疗行业，VQA能帮忙分析医学影像，给诊断和治疗计划提供参考。在零售业，它能让顾客更直观地和商品图片互动，提升购物体验。
文本到图像生成

VLMs还有一个超酷的能力，就是能根据文字描述生成图片。比如你描述一个"山间宁静的日落，山谷中流淌着一条河流"，VLMs就能给你"画"出来。这对设计师和广告人来说是个宝，他们可以根据文字提示快速搞出视觉创意，让创造视觉内容的过程更高效。
图像检索

图像检索就是根据文字描述来找图片。VLMs能搞懂图片里有啥，也能搞懂你想找啥，帮你找到最匹配的图片。这能让搜索引擎更精准，让用户更容易找到他们想要的图片。无论是在网上购物还是医学图像分析，这个技能都很有用。
视频理解

VLMs不只能处理图片，还能处理视频，帮我们理解视频内容，甚至给视频加字幕。视频理解能分析视频里的视觉信息，然后生成描述性的文本，捕捉视频要表达的精髓。这个技能在视频搜索、视频摘要和内容审核等方面都能派上用场。比如，它能帮助用户根据文字找到特定的视频片段，或者快速生成视频摘要，让用户迅速了解视频内容。在内容审核方面，VLMs能帮忙识别视频中的不当内容，让网络平台更安全友好。

总之，视觉语言模型能同时处理视觉和文本数据，这本事让各种应用都有可能得到加强。随着这个领域的不断发展，我们可以预见，未来会有更多更复杂的VLMs出现，它们能完成更艰巨的任务，还能给出有价值的见解。