【论文阅读】LLaVA-OneVision: Easy Visual Task Transfer

LLaVA-OneVision: Easy Visual Task Transfer

• 原文摘要

  • 研究背景与目标

    • 开发动机：

      • 基于LLaVA-NeXT博客系列对数据、模型和视觉表征的探索，团队整合经验开发了开源大型多模态模型 LLaVA-OneVision。

    • 核心目标：

      • 突破现有开源LMM的局限，实现单一模型在三大计算机视觉场景（单图像、多图像、视频）中的高性能表现。

    • 关键创新点

      • 多场景统一建模：

        • 首次实现单一模型在单图像理解 、多图像推理 和视频理解任务上的全面领先。

      • 跨模态迁移学习：

        • 模型设计强调模态间知识迁移（如图像到视频），通过共享表征学习，无需针对不同场景单独训练模型。
        • 这种设计催生了新兴能力，例如从图像任务中学习到的知识可直接提升视频理解性能。

1. Introduction

• 研究背景与目标

  • AI发展目标：

    • 构建 ++通用多模态助手++（General-purpose assistants）是AI领域的核心追求，大型多模态模型（LMM）是实现这一目标的关键技术。

  • LLaVA系列定位：

    • LLaVA-OneVision是开源模型，延续了LLaVA系列的研究路线，旨在开发能通过多样化指令完成复杂计算机视觉任务的视觉-语言助手。

• LLaVA系列演进

  • LLaVA初代模型：

    • 展示了强大的多模态对话能力，在未见过图像和指令上表现出与GPT-4V相似的行为。

  • LLaVA-1.5：

    • 通过纳入更多学术相关指令数据（academic-related instruction data），显著提升能力，在数十个基准测试中达到SOTA性能，且保持数据高效性。

  • LLaVA-NeXT：

    • 继承前代优势，通过三项关键技术进一步突破性能边界：
      1. AnyRes：处理高分辨率图像；
      2. 扩展高质量指令数据；
      3. 使用当时最优开源LLM。

• LLaVA-NeXT的探索

  • 原型特性 ：LLaVA-NeXT提供可扩展和可伸缩的原型 ，支持多项并行探索：

    • Video blog：

      • 发现仅用图像训练的LLaVA-NeXT模型通过零样本模态迁移（zero-shot modality transfer）在视频任务中表现优异，归因于AnyRes将视觉信号处理为图像序列的能力。

    • Stronger blog：

      • 验证LLM规模扩展的有效性，仅增大LLM规模即可在部分基准上媲美GPT-4V。

    • Ablation blog：

      • 总结除视觉指令数据外的实证探索，包括架构选择（LLM和视觉编码器规模）、视觉表征（分辨率与token数量）、训练策略（可训练模块与高质量数据）。

    • Interleave blog：

      • 提出在多图像、多帧（视频）和多视角（3D）新场景中扩展能力的策略，同时保持单图像性能。

    • 探索：这些研究在固定计算预算内进行，旨在提供项目推进中的实用见解，而非单纯追求性能极限。

• LLaVA-OneVision的开发与贡献

  • 数据积累与实验：

    • 作者团队花了6个月时间，积累并筛选了大量高质量数据集。
    • 通过整合前述见解，并在新数据集上执行"yolo run"实验（未对单个组件充分去风险），推出LLaVA-OneVision。

  • 模型特点：

    • 在现有计算资源下实现，为后续通过数据和模型规模扩展提升能力留有空间。

  • 论文贡献总结：

    1. 大型多模态模型 ：
       • 开发LLaVA-OneVision模型，在单图像、多图像和视频三大视觉场景中提升开源LMM性能边界。
    2. 任务迁移的新兴能力 ：
       • 通过++建模和数据表征设计++实现跨场景任务迁移，例如从图像到视频的迁移学习，展现强大的视频理解能力。
    3. 开源资源 ：
       • 公开多模态指令数据、代码库、模型检查点和视觉聊天演示，推动通用视觉助手发展。

2. Related Work

• 专有模型与开源模型的现状对比

  • 专有LMM的领先性：

    • GPT-4V 、GPT-4o 、Gemini 、Claude-3.5 等闭源模型在单图像、多图像和视频场景中均表现卓越，展现了通用多模态能力。

  • 开源研究的局限性：

    • 单图像场景主导：多数开源工作仅聚焦单图像任务性能提升。
    • 多图像探索初期：少数近期研究开始探索多图像场景，但覆盖不足。
    • 视频与图像的权衡 ：现有视频LMM往往以牺牲图像性能为代价优化视频理解，缺乏三场景统一的开放模型。

  • LLaVA-OneVision的定位：

    • 旨在填补上述空白，首次实现单一开源模型在三大场景中的SOTA性能，并通过跨场景任务迁移（如图像→视频）展现新兴能力。

• 多场景统一模型的早期工作

  • LLaVA-NeXT-Interleave：

    • 首次在单图像、多图像和视频三场景中均报告良好性能，LLaVA-OneVision继承其训练方案与数据并进一步优化。

  • 其他潜力模型：

    • VILA 和 InternLM-XComposer-2.5 虽具备多场景潜力，但未完整评估三场景性能。

• 数据策略与知识来源

  • 高质量数据的关键作用 ：
    • 模型合成知识：继承LLaVA-NeXT中的知识学习数据。
    • 指令调优数据 ：
      • 受 FLAN 启发，采用小规模但精细筛选的数据集（与Idefics2、Cambrian-1同期收集但更注重质量）。
      • 结论与同行一致：大量视觉指令数据显著提升性能，但LLaVA-OneVision更强调数据质量而非单纯规模。

• LMM设计选择的参考研究

  • 相关系统性研究 ：
    • 论文引用近期工作对LMM架构、训练策略的探索，包括：
      • 视觉编码器与LLM的连接方式
      • 视觉表征（分辨率、token数量）优化
      • 数据扩展与模型缩放的影响

3. Modeling

3.1 Network Architecture

• 整体设计原则

  • 继承LLaVA系列的极简主义 ：
    • 核心目标：
      1. 高效利用预训练能力：充分结合LLM与视觉模型的预训练知识。
      2. 支持数据与模型的强扩展性：确保架构在数据和模型规模增大时性能稳定提升。

• 核心组件

  • 大型语言模型（LLM）

    • 模型选择：

      • 采用 Qwen-2 作为语言模型 f ϕ ( ⋅ ) f_\phi(\cdot) fϕ(⋅)（参数为 ϕ \phi ϕ）。

    • 选择理由：

      • 公开模型中的最优语言能力：在开源检查点中表现最强。
      • 多尺寸支持 ：提供不同参数规模的版本，便于灵活扩展（++更强的LLM直接提升多模态能力++）。

    • 视觉编码器（Vision Encoder）

      • 模型选择：

        • 使用 SigLIP 作为视觉编码器 g ψ ( ⋅ ) g_\psi(\cdot) gψ(⋅)（参数为 ψ \psi ψ），将输入图像 X v X_v Xv 编码为视觉特征 Z v = g ( X v ) Z_v = g(X_v) Zv=g(Xv)。

      • 特征提取策略：

        • 同时利用最后一层Transformer之前和之后的网格特征（grid features），以保留不同层级的视觉信息。

    • 投影器（Projector）

      • 结构设计 ：
        • 采用 2层MLP p θ ( ⋅ ) p_\theta(\cdot) pθ(⋅)（参数为 θ \theta θ ），将视觉特征 Z v Z_v Zv 投影到LLM的词嵌入空间，生成视觉token序列 H v = p ( Z v ) H_v = p(Z_v) Hv=p(Zv)。

• 输入输出建模

  • 概率计算形式化

    • 序列生成公式：

      • 对于长度为 L L L 的答案序列 X a X_a Xa，其条件概率为：
        p ( X a ∣ X v , X q ) = ∏ i = 1 L p ( x i ∣ X v , X q , < i , X a , < i ) p(X_a | X_v, X_q) = \prod_{i=1}^L p(x_i | X_v, X_{q, <i}, X_{a, <i}) p(Xa∣Xv,Xq)=i=1∏Lp(xi∣Xv,Xq,<i,Xa,<i)

      • 其中：

        • X q , < i X_{q, <i} Xq,<i 和 X a , < i X_{a, <i} Xa,<i 分别表示当前预测token x i x_i xi 之前的所有指令token和答案token。
        • **显式引入 X v X_v Xv **：强调所有答案均需基于视觉信号（即视觉特征始终参与解码）。

  • 视觉输入泛化性

    • 多场景适配 ：
      • 视觉编码器的输入 X v X_v Xv 形式具有通用性 ，具体取决于任务场景：
        1. 单图像：individual image crop。
        2. 多图像：individual image in a sequence。
        3. 视频：individual frame in a video sequence。
      • 技术实现：通过AnyRes（见3.2节）统一处理不同分辨率和模态的输入。

3.2 Visual Representations

• 视觉表征的核心要素

  • 关键因素：视觉信号的表征质量取决于两个变量：

    1. 原始像素空间的分辨率（resolution）
    2. 特征空间的token数量（#token）
    • 二者共同构成视觉输入表征配置 (resolution, #token)。

  • 性能规律：

    • 二者规模扩大均可提升性能（尤其依赖视觉细节的任务），但分辨率缩放比token数量更有效。
    • 平衡性能与成本 ：推荐采用带池化的AnyRes策略。

• AnyRes技术实现

  • 基础机制

    • 图像分块处理：

      • 对宽高为 (a, b) 的AnyRes配置，图像被划分为 a × b个裁剪块（crops），每块形状为 (a, b)。
      • 每块裁剪保持视觉编码器适配的统一分辨率。（如上图F2）

    • Token计算：

      • 每裁剪块生成 T个token ，总视觉token数 L = ( a × b + 1 ) × T L = (a \times b + 1) \times T L=(a×b+1)×T（+1对应基础图像resize后的全局特征）。

    • 动态Token压缩：

      • 设定阈值 τ \tau τ，若 L > τ L > \tau L>τ 则按照如下公式压缩每块token数（必要时使用双线性插值）：
        T new = { τ a × b + 1 if L > τ T if L ≤ τ T_{\text{new}} = \begin{cases} \frac{\tau}{a \times b + 1} & \text{if } L > \tau \\ T & \text{if } L \leq \tau \end{cases} Tnew={a×b+1τTif L>τif L≤τ

• 空间配置优化

  • 多配置适应：

    • 定义++一组空间配置 (a, b)++ 以支持不同分辨率和长宽比的图像，优先选择需最少裁剪数的配置。

  • Higher AnyRes框架：

    • 作为灵活表征框架，可适配多图像和视频场景，通过调整配置平衡性能与成本（如下图F3）。

      

• 多场景表征策略

  • 单图像场景

    • 高分辨率保留：

      • 采用最大空间配置 (a, b)，避免原始图像resize导致信息损失。

    • 长序列token分配：

      • 每图像分配大量视觉token，生成长序列以充分表征细节。

    • 设计动机：

      • 图像的高质量训练样本远多于视频，通过模仿视频的长序列表征，促进图像到视频的能力迁移。

  • 多图像场景

    • 资源优化 ：
      • 仅将基础分辨率图像 输入视觉编码器获取特征图，避免高分辨率多裁剪，节省计算资源。

  • 视频场景

    • 帧处理：

      • 每帧resize为基础分辨率，经视觉编码器生成特征图。

    • Token-帧数权衡：

      • 使用双线性插值减少每帧token数，从而支持更多帧处理，实现性能与成本的更好平衡。

• 实验设计与扩展性

  • 固定计算预算下的设计：

    • 当前配置针对跨场景能力迁移优化，在有限算力下最大化多模态性能。

  • 算力扩展潜力：

    • 若计算资源增加，可提升训练/推理时的每图像（帧）token数以进一步突破性能边界。

4. Data

• MLLM训练中采用"质量优于数量"的准则。这一原则之所以关键，源于预训练LLM和视觉Transformer（ViT）中已存储的广博知识。
• 当新的高质量数据可用时，需持续让模型接触这些数据以进行知识补充。
• 本节将探讨高质量知识学习与视觉指令调优的数据来源及策略。

4.1 High-Quality Knowledge

• 核心问题与解决思路

  • 低质量数据的局限性：

    • 公开网络规模的图像-文本数据（++web-scale public image-text data++ ）通常质量低下，导致多模态预训练的数据扩展效率不足。

  • 高质量知识学习的必要性：

    • 在有限计算预算下，应优先利用预训练LLM和ViT已有的庞大知识库 ，通过精选数据对其进行精细化增强，而非盲目扩大数据规模。

• 高质量知识数据的三大来源

  • 重新标注的详细描述数据

    • 生成方法：

      • 使用当前最强的开源LMM LLaVA-NeXT-34B 对以下数据集图像重新生成描述：
        • COCO118K
        • BLIP558K
        • CC3M
      • 合并形成350万样本的新数据集。

    • 技术意义：

      • 这是self-improvement AI的初步尝试：早期模型生成的数据用于训练后续版本。

  • 文档/OCR数据

    • 构成：

      • UReader数据集的文本阅读子集（10万样本）：通过PDF渲染获取易处理的文本数据。
      • SynDOG EN/CN：合成文档-图像对数据。
      • 合并形成110万样本的文档OCR数据集。

    • 应用价值：

      • 增强模型对文本密集型图像（如扫描文档、海报）的理解能力。

  • 中文与多语言数据（Chinese and Language Data）

    • 中文能力优化：

      • 基于ShareGPT4V 原始图像，调用Azure API的GPT-4V生成9.2万条中文详细描述。

    • 语言平衡性：

      • 从Evo-Instruct 收集14.3万样本，防止模型因过度依赖描述数据而弱化基础语言理解能力。

• 合成数据的优势与趋势

  • 数据构成比例：

    • 99.8%的高质量知识数据为合成生成（synthetic data）。

  • 合成数据的必然性：

    1. 成本与版权：真实世界大规模高质量数据收集成本高且受版权限制。
    2. 可扩展性：合成数据可快速生成且规模可控（如通过GPT-4V生成描述）。

  • 行业趋势：

    • 随着AI模型能力提升，从大规模合成数据中学习将成为主流范式。

4.2 Visual Instruction Tuning Data

• 视觉指令调优的定义与目标

  • 概念：

    • Visual Instruction Tuning指 MLLM 理解并执行结合视觉媒体（图像/视频）与语言指令的任务，通过整合视觉理解与自然语言处理生成响应。

  • 技术目标：

    • 使模型能处理开放式指令，而非局限于预定义任务。

• 数据收集与分类框架

  • 数据来源

    • 基础策略 ：
      • 从多样化原始来源收集非平衡比例数据（unbalanced data ratio），结合Cauldron和Cambrian的新子集。
      • 高质量维护：延续LLaVA-1.5 等研究结论，强调数据质量对LMM能力的决定性作用。

  • 三级分类体系

    1. 视觉输入（Vision Input）：

       • 按模态分为三类：
         • 单图像（Single-image）
         • 多图像（Multi-image）
         • 视频（Video）

    2. 语言指令（Language Instruction）：

       • 五大任务类型：

         类别	示例任务	技能目标
         General QA	图像问答	基础视觉理解
         General OCR	文字识别	文本-视觉对齐
         Doc/Chart/Screen	文档解析	结构化数据理解
         Math Reasoning	数学推理	多模态逻辑推理
         Language	多语言描述	跨语言泛化

    3. 语言响应（Language Response）：

       • 自由形式（Free-form）：由GPT-4V/Gemini等生成开放式答案

       • 固定形式（Fixed-form）：源自学术数据集（如VQAv2、GQA），需人工校正格式

• 数据处理关键步骤

  • 对固定形式数据（如多选题），采用LLaVA-1.5提示策略，确保答案格式一致性，避免多源数据冲突。

• 两组训练数据

  • Single-Image Data

    • 规模：320万样本

    • 平衡策略：

      • 从原始数据中筛选各任务类型的代表性样本，避免数据倾斜。

    

  • 多模态混合数据（OneVision Data）

    • 构成 ：160万样本
      • 多图像：56万
      • 视频：35万
      • 单图像：80万
    • 训练逻辑 ：
      • 不引入新单图像数据，而是复用前期已优化数据，专注于多模态对齐。

    

5. Training Strategies

• 三阶段课程学习框架

  • 设计理念

    • 功能解耦：将多模态能力分解为三个关键功能模块，分阶段训练以支持消融研究。

    • Curriculum Learning：

      • 采用由易到难的训练策略，在固定计算预算下分阶段生成可复用的模型检查点。

• 阶段详解

  • Stage-1: 语言-图像对齐

    • 技术实现：

      • 冻结视觉编码器（SigLIP）和LLM（Qwen-2），仅训练2层MLP投影器。
      • 使用基础分辨率图像（729 tokens），避免高计算开销。

    • 作用 ： 建立视觉特征与语言空间的基础映射关系，为后续阶段提供稳定的跨模态接口。

  • Stage-1.5: 高质量知识学习

    • 数据策略：

      • 采用4.1节所述的合成高质量数据（如Re-Captioned数据）。

    • 训练配置​：

    • 解锁全模型参数，但视觉编码器学习率设为LLM的1/5​（防止视觉特征被过度破坏）。

    • 引入AnyRes技术，token数扩展至5倍（平衡计算成本与知识注入）。

  • Stage-2: 视觉指令调优

    • 两阶段训练 ：
      1. 单图像训练（Single-Image Training） ：
         • 使用320万单图像指令数据，覆盖问答/OCR/推理等任务。
         • 目标：建立单图像多任务泛化能力。
      2. 多模态混合训练（OneVision Training） ：
         • 混合数据：56万多图像 + 35万视频 + 80万单图像（从前期数据重采样）。
         • 目标：实现跨场景知识迁移（如图像→视频的零样本能力）。
    • 技术优化：
      • token数扩展至10倍（AnyRes最大化），支持高分辨率输入。
      • 保持视觉编码器低学习率（仍为LLM的1/5）。

• 关键训练配置

  • 渐进式序列长度扩展

    • 动态调整策略：

      阶段	最大分辨率	Token数	设计意图
      Stage-1	基础	729	低成本初始化对齐
      Stage-1.5	中等	~3,645	平衡知识学习与计算开销
      Stage-2	高	~7,290	支持复杂多模态任务

  • 理论依据 ： 逐步增加token数比一次性高分辨率训练更稳定。

• 参数更新策略

  • 差异化学习 ：
    • 投影器：Stage-1全程训练，后续阶段微调。
    • 视觉编码器：Stage-1冻结，Stage-1.5/2以**低学习率（LLM的1/5）**更新，保护预训练特征。
    • LLM：Stage-1.5/2全参数微调，激发语言侧多模态适配能力。

• 与现有方法的对比

  • vs 传统端到端训练：

    • 传统方法（如Flamingo）联合优化所有模块，易导致模态对齐不稳定。
    • LLaVA分阶段策略解耦对齐-知识-泛化，更适配有限算力场景。

  • vs 其他开源LMM：

    • VILA 仅聚焦单阶段指令调优，缺乏系统性课程设计。

6. Experimental Results

7. Emerging Capabilities with Task Transfer

1. 图表联合理解S1

   • 模型能够同时理解图表（chart）与示意图（diagram）的组合，尽管训练数据中仅包含单图像图表或示意图任务。

2. GUI操作指导S2

   • 通过识别iPhone截图（单图像），生成操作指令，结合OCR与多图像关系推理能力。

3. 标记集推理S3

   • 首次在开源LMM中实现Set-of-Marks（SoM）推理（如根据图像中的箭头/圆圈标记回答问题），该能力未显式包含于训练数据。

4. 图像到视频编辑指令S4

   • 根据静态图像生成视频创作提示（如角色动作、场景转换），结合单图像编辑与视频描述任务的知识。

5. 视频差异分析S5

   • 对比同起点不同结局 的两段视频，或同背景不同前景物体的视频，输出细节差异描述。

6. 多视角自动驾驶视频理解S6

   • 分析四摄像头同步拍摄的自动驾驶视频，描述各视角内容并规划车辆动作。

7. 复合子视频理解S7

   • 理解垂直分屏视频（如背景一致、前景人物变化的双场景视频），分析布局与叙事（如表13）。

8. 视频中的视觉提示理解S8

   • 识别视频中半透明圆圈标记的区域，该能力源自单图像视觉提示训练，未使用视频标记数据。

9. 视频理解中的图像参照S9

   • 回答视频问题时参照外部图像查询，该能力未在LLaVA-NeXT/Interleave中出现。