LLM - 理解多模态大语言模型(MLLM) 的指令微调(Instruction-Tuning) 与相关技术 (四)

欢迎关注我的CSDN：https://spike.blog.csdn.net/

本文地址：https://spike.blog.csdn.net/article/details/142237871

免责声明：本文来源于个人知识与公开资料，仅用于学术交流，欢迎讨论，不支持转载。

完备(Full-Fledged) 的多模态大语言模型(MLLM) 经历 3 个阶段的训练，即预训练(Pre-training)、指令微调(Instruction-Tuning) 和对齐调优(Alignment Tuning)。每个训练阶段都需要不同类型的数据，并且实现不同的目标。本篇介绍，指令微调(Instruction-Tuning) 部分。

指令微调 (Instruction-Tuning)

预训练(Pre-Training) 是对齐不同模态和学习多模态的世界知识。指令(Instruction) 就是对于任务的描述，指令微调，教会模型更好地，理解用户的指令，并且完成所需的任务。通过这种方式调优，大语言模型(LLM) 可以通过跟随新的指令，泛化到未见过的任务，从而提高零样本(Zero-Shot) 性能。

指令微调类似于多任务提示工程，包括：指令样本格式 、训练目标 、构建指令数据的方法 、常用数据集。

预训练微调(有监督微调)、提示词工程、指令微调的差别，如图：

指令样本格式简化的模板，构建多模态指令(Instruction) 数据。

<instruction> 是任务的文本描述。
{<image>, <text>} 和 <output> 是数据样本的输入和输出。

请注意，输入中的<text>在某些数据集中可能缺失，例如，仅包含<image>的图片描述数据集。

格式如下：

bash 复制代码

Instruction: <instruction> 
Input: {<image>, <text>} 
Response: <output>

指令模板可以推广到多轮对话的方式。

训练目标 的 Loss 函数， R i R_{i} Ri 是回答(Response)， I I I 是指令(Instruction)， θ \theta θ 是参数，即：
L ( θ ) = − ∑ i = 1 N l o g p ( R i ∣ I , R < i ; θ ) L(\theta)=-\sum_{i=1}^{N}log\ p(R_{i}|I,R_{<i};\theta) L(θ)=−i=1∑Nlog p(Ri∣I,R<i;θ)

第一阶段预训练数据与第二阶段的指令微调的 Loss 公式是相同的。

指令数据的格式非常灵活，任务描述也是多样化，因此收集数据样本，通常更加困难且成本更高，其中 3 种典型的大规模收集指令数据的方法，即数据调整(Data Adaptation) 、自指令(Self-Instruction)和数据混合(Data Mixture)。

数据调整 (Data Adaptation) ：将已有的 VQA 数据集中，图像保持不变，Query 通过 GPT 扩写，作为新的 <instruction> ，Answer 也通过 GPT 扩写，作为新的 <output>，扩写保存内容正确不变，更符合人类的语言习惯。

参考视觉问答（VQA）数据集的指令模板，<Image>和{Question}分别是原始 VQA 数据集中的图片和问题，即：

bash 复制代码

<Image> {Question}
<Image> Question: {Question}
<Image> {Question} A short answer to the question is
<Image> Q: {Question} A:
<Image> Question: {Question} Short answer:
<Image> Given the image, answer the following question with no more than three words. {Question}
<Image> Based on the image, respond to this question with a short answer: {Question}. Answer:
<Image> Use the provided image to answer the question: {Question} Provide your answer as short as possible:
<Image> What is the answer to the following question? "{Question}"
<Image> The question "{Question}" can be answered using the image. A short answer is

自指令(Self-Instruction)：解决多轮(Multiple Rounds) 对话场景，使用大语言模型(LLM)，通过少量手工标注的样本，生成文本指令遵循(Instruction-Following) 数据。具体来说，少量指令遵循的样本被手工制作成示例(Demonstrations)，之后 ChatGPT 被提示使用这些示例，作为指导，来生成更多的指令样本。LLaVA 扩展至多模态领域，通过将图像转换成描述文本和边界框，并且，提示 GPT-4 使用要求和示例，指导和生成新的数据。通过这种方式，构建多模态指令数据集，称为 LLaVA-Instruct-150k。

通过自指令(Self-Instruction) 生成的数据集：

输入/输出模态： I I I：图像， T T T：文本， V V V：视频， A A A：音频
数据组成：M-T和S-T分别表示多轮和单轮

相关数据集如下：

数据混合(Data Mixture)：不是很常用的方式。除了多模态指令数据之外，仅语言的用户-助手(User-Assistant) 对话数据，也可以用来提高对话能力和指令遵循能力。LaVIN 通过从仅语言和多模态数据中，随机抽样直接构建一个小批量。MultiInstruct 探索了不同的训练策略，这些策略涉及单一模态和多模态数据的融合，包括混合指令调整(结合这两种类型的数据并随机打乱) 和顺序指令调整(先文本数据，然后是多模态数据)。

指令微调样本的数据质量与数量同等重要。预先在 大规模且嘈杂 的图文对上训练的模型，表现并不如在 较小且干净 的数据集上预训练的模型。较少且质量更高的指令微调数据，可以实现更好的性能。对于数据过滤，构建评估数据质量的指标，以及自动过滤劣质视觉-语言数据的方法。数据质量的 2 个标准：

提示多样性(Prompt Diversity)，已经发现指令的多样性，对于模型性能至关重要，多样化的提示有助于提高模型性能和泛化能力。
任务覆盖范围(Task Coverage) ，在训练数据涉及的任务方面，发现 视觉推理(Vision Reasoning) 任务，在提升模型性能方面优于描述和问答任务，增强指令的复杂性，可能比增加任务多样性和增加细粒度的空间注释更有效。

LLM - 理解 多模态大语言模型(MLLM) 的 指令微调(Instruction-Tuning) 与相关技术 (四)

LLM - 理解多模态大语言模型(MLLM) 的指令微调(Instruction-Tuning) 与相关技术 (四)