【WIP】【VLA&VLM——InternVL系列】

InternVL

  1. 指出了目前VLM存在的几个问题:
    1)LLM和Vision Enc的参数量不均衡:LLM参数量已经扩大到很大了,Vision Enc还只有1B左右;
    2)视觉特征和语言特征没对齐:Vision Enc主要用纯图像数据做训练,于文本特征存在domain gap;
    3)"glue layer"效果差:也就是Vision Enc过后的几层特征映射层(QFormer),参数过少且往往随机初始化,不能有效的将视觉特征对齐;
    综上,作者认为VLM的效果问题主要制约在视觉和语言从模型到特征的不对等上。InternVL致力于解决这种不均衡;
  2. 思考:
    1)这个初版的InternVL和后面很大的不同是,为了让视觉特征对齐,专门用了一个QLLaMA进行两个阶段的预训练,目标就是将Vision Encoder的特征对其到Language上,这个是不是必要的,而且最后使用的语言模型反而不是LLaMA,而是Vicuna,这么操作是必要的嘛?我认为有些浪费,后面再看看InternVL2.5和InternVL3验证一下这个操作是不是一直被保留下来了。
    2)总的来说,这篇工作专注于缓解视觉与语言特征的不均衡上,从各模块参数量、特征对齐方式、数据选择上都下了功夫。但是用一个LLM(QLLaMA)作glue layer,用另一个LLM(Vicunna)作LLM,结构上看起来不是很简洁,感觉后续还是有进一步改进的空间的。

模型结构

  1. Vision Encoder:InternViT-6B,将ViT参数量增大至6B,并针对模型width和depth进行一系列尝试,权衡速度和效果,最终确定如下模型配置。
  2. Lauguage Middileware:QLLaMA,将7B的LLaMA,加上了1B的queries+cross attention layer,用于适配Vision Encoder的特征。这个"MiddleWare"的意义,就是将VisionEnc输出的特征对齐到语言空间中。
  3. InternVL-chat
    这里提供了两种用法,要么直接InternViT->Vicuna,要么InternViT+QLLaMA->Vicuna。但是后面好像没看到这两种用法的优劣?

训练方法

  1. 第一阶段:参考CLIP方法,将InternViT-6B输出的图像特征和LLaMA-7B输出的文本特征进行对比学习(Contrastive Loss)。选用的数据集范围很广,可能包含噪声数据,但是可以接受。这个阶段主要目的是提升Vision Enc的基础视觉能力,并且对齐语言特征空间。补充:InternViT-6B是随机初始化的,LLaMA直接用的开源的pretrain作初始化;
  2. 第二阶段:参考BLIP方法,用(Generative Loss),只训练QLLaMA新增的query+cross attention(1B),进一步增强特征对齐的能力;并且让InternViT+QLLaMA获得image caption能力;另外这个阶段用的数据是上一阶段数据集提纯后得到的,数据量更少但是质量更好;
  3. 第三阶段:这个阶段直接在InternViT+QLLaMA后面衔接MLP+LLM(InternLM&Vecunna均可)。作者认为,由于stage1&2时VisionEnc与QLLaMA适配的很好了,而QLLaMA又和LLM的特征空间很相近,所以不需要再次对Vision和Text进行适配,所以只训练新增的MLP(可选:LLM)部分,既加速了训练又保留了LLM本身的能力;数据方面,这一阶段训练数据更精更少了,只有4 million左右的数量;

实验

前面一些实验证明了InternViT-6B本身的感知能力,以及InternVL-C的zero-shot和泛化性,不详细写了。主要看下ablation study

可以看到,相比于MLP,QLLaMA能够明显涨点,作者认为这证明了QLLaMA作为glue layer能够更好的将视觉特征对齐到LLM上。(是不是有点存疑?)

相关推荐
a15046340 分钟前
人工智能——图像梯度处理、边缘检测、绘制图像轮廓、凸包特征检测
人工智能·深度学习·计算机视觉
荼蘼1 小时前
基于 KNN 算法的手写数字识别项目实践
人工智能·算法·机器学习
wei_shuo1 小时前
亚马逊云科技 EC2 部署 Dify,集成 Amazon Bedrock 构建生成式 AI 应用
人工智能·amazon·amazon bedrock
ppo921 小时前
MCP简单应用:使用SpringAI + Cline + DeepSeek实现AI创建文件并写入内容
人工智能·后端
云卓SKYDROID1 小时前
无人机速度模块技术要点分析
人工智能·无人机·科普·高科技·云卓科技
UQI-LIUWJ2 小时前
论文笔记:Tuning Language Models by Proxy
论文阅读·人工智能·语言模型
大魔王(已黑化)3 小时前
OpenCV —— 绘制图形
人工智能·opencv·计算机视觉
开开心心_Every3 小时前
多线程语音识别工具
javascript·人工智能·ocr·excel·语音识别·symfony
机器之心3 小时前
扣子开源全家桶,Apache 2.0加持,AI Agent又一次卷到起飞
人工智能
草堂春睡足3 小时前
【Datawhale AI夏令营】科大讯飞AI大赛(大模型技术)/夏令营:让AI理解列车排期表
人工智能·笔记