LLM - 理解多模态大语言模型 (MLLM) 的架构与相关技术 (二)

欢迎关注我的CSDN：https://spike.blog.csdn.net/
本文地址：https://spike.blog.csdn.net/article/details/142063880

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。

多模态大语言模型 (Multimodal Large Language Models, MLLM) 框架包括 3 个部分：预训练的模态编码器、预训练的大语言模型(LLM)、连接模态的接口(Interface)，也可以添加可选的生成器(Generator) 到 LLM，用于生成除了文本之外的其他模态。

编码器接收图像、音频或视频，并且，输出特征，这些特征由连接器处理，以便LLM 能更好地理解。
连接器大致有三种类型：基于投影(Projection-Based)、基于查询(Query-Based) 和基于融合(Fusion-Based) 的连接器。前两种类型使用 Token 级别的融合，将特征处理成 Token，与文本 Token 一起发送，而最后一种类型，在 LLM 内部实现特征级别的融合。

即：
MLLM
MLLM 的 Foundation Model 是 LLM，Connector 将多模态的 Embedding 转换成 Text Like 的 Embedding。Q-Former，即 Query Former。

1. 多模态编码器 (Modality Encoder)

使用预训练(Pretrained) 的编码器，例如 CLIP，常用的模型比较，OpenCLIP、CLIP、EVA-CLIP，即
CLIP

相关论文：

CLIP - Learning Transferable Visual Models From Natural Language Supervision
OpenCLIP - Reproducible scaling laws for contrastive language-image learning
EVA-CLIP: Improved Training Techniques for CLIP at Scale
EVA: Exploring the Limits of Masked Visual Representation Learning at Scale
CogAgent: A Visual Language Model for GUI Agents
CogVLM: Visual Expert for Pretrained Language Models
Monkey: Image Resolution and Text Label Are Important Things for Large Multi-modal Models

提示视觉图像的分辨率，可以提升视觉编码器的效果，例如 CogAgent 使用双编码器(Dual-Encoder) 机制，其中两个编码器分别处理高分辨率和低分辨率的图像。同时，分块(Patch-Division) 方法，将高分辨率图像切割成分块，并且，重用低分辨率编码器，也提升视觉编码器的效果，参考 Monkey。

CLIP：使用标准的图像模型，联合训练图像特征提取器，和线性分类器，来预测特定的标签，而且 CLIP 联合训练图像编码器和文本编码器，预测一批 (Batch) 图像和文本训练样本的正确配对。在测试时，学习到的文本编码器，通过嵌入目标数据集类别的名称或描述，合成零样本 (Zero-Shot) 线性分类器。对比 (Contrastive) 预训练，N 个样本一起训练，使用对角线标签进行训练。CLIP 的实验也表明，ViT 的效果要优于 ResNet。

即：
CLIP

HuggingFace 的 CLIP 地址：https://huggingface.co/docs/transformers/en/model_doc/clip

CLIP 评估最优的视觉预训练模型是 ViT，即：
CLIP

OpenCLIP：验证 Scaling Laws，研究使用完全开源的训练代码和数据的大型 CLIP 模型的扩展行为，研究中的所有模型都将提供，包括最大的公共 CLIP 模型。这个表格显示在224像素分辨率下的零样本(Zero-Shot) 性能，展示在 ImageNet 上的准确度，35个 VTAB+ 数据集上的平均准确度，以及在 MS-COCO 图像检索上的 5 个召回率。数据集由 WIT-400M 扩大至 LAION-2B，数据量提升 5 倍，即：

OpenCLIP

EVA CLIP：也是验证 Scaling Laws，名称 Explore the limits of Visual representation at scAle using only publicly accessible data，使用仅可公开访问的数据，探索视觉表示在大规模的极限。

CogAgent 架构，即包括 2 个图像编码器，高分辨率(High-Resolution) 图像编码器是轻量化，低分辨率(Low-Resolution) 图像编码器，两个编码器进行交叉注意力(Cross Attention) 实现信息交互，即：

CogVLM 使用视觉特征和文本特征拼接(Concat) 的方式，在多模态模型中，将视觉理解放在更优先的位置，即：
在这里插入图片描述

Monkey: 通过从原始图像捕获全局特征，和从分割的小块中捕获局部特征，来实现高分辨率。所有小块都通过共享的静态 ViT 编码器进行处理，例如，具有 20 亿参数的 ViT-BigG，即：

Monkey

2. 预训练的大语言模型 (Pre-trained LLM)

通过在网络语料库上的大量预训练，LLM 已经嵌入丰富的世界知识 (World Knowledge)，并且，展现出强大的泛化和推理能力。

常用的大语言模型，例如 T5、LLaMA、Vicuna、LLaMA-2、Qwen，目前还包括 LLaMA-3，Casual Decoder 生成能力比较强，Encoder-Decoder 总结能力比较强，即：

LLM
中文大模型，推荐 Qwen 系列，较好的支持中文。

3. 模态接口 (Modality Interface)

模态接口主要包括 Token 层面的融合 (Token-Level Fusion) 和特征层面的融合 (Feature-Level Fusion)：

Token 层面的融合，参考 LLaVA 的 MLP 层连接，
Feature 层面的融合，参考 BLIP2 的 Q-Former，可学习的参数。

以 Qwen-VL 的参数量为例，Interface 是 1% (0.08B)，模态 Encoder 是 19.8% (1.9B)，LLM 是 80.2% (7.7B)，合计 9.7 B。

以 CogVLM2 的参数量 (19B) 为例，模态 Encoder 是 EVA-CLIP-E 5B，LLM 是 LLaMA3 8B，Interface (MLP Adapter) 是 6B。

再就是 专家模型 (Expert Model)，例如通过 Image Caption 模型，提取图像信息，再直接传给 LLM，好处是不需要任何训练，效果比多模态训练的效果要差一些。如果模型处理视频而不是图像，还需要考虑时空(Spatial-Temporal) 信息。

参考 Paper：

CogVLM2: Visual Language Models for Image and Video Understanding，2024-8-29
Img2LLM: From Images to Textual Prompts: Zero-shot VQA with Frozen Large Language Models，2023-5-8
VideoChat: Chat-Centric Video Understanding，2024-6-4

CogVLM2: 模型接收高分辨率图像，或从给定视频中提取的帧，使用预训练的 ViT 编码器，和适配器嵌入视觉信息，嵌入的视觉特征，被发送到视觉语言解码器，CogVLM2-Video 能够回答与图像和视频相关的查询。即：

CogVLM2

不同参数量的 CogVLM2 模型，如下：

CogVLM2

Img2LLM: 使大语言模型(LLM) 能够执行，视觉问答(VQA) 任务的方法，说明性比较，其中蓝色块表示内部参数被冻结，而粉色块表示内部参数是可训练的。

Multi-modal Pretraining，多模态预训练
In-context Few-shot Learning，上下文少样本学习
Img2LLM: 输出 Caption Prompt 与 Exemplar Prompt (范例提示)，再由 LLM 做出回答。

即：
Img2LLM

Img2LLM 网络架构：Img2LLM 属于 即插即用(plug-and-play) 模块，使得现成的大语言模型(LLM) 能够执行零样本视觉问答(Zero-Shot VQA)，可以利用视觉-语言模型(例如 BLIP) 和问题生成模型，将图像内容转换成合成问题-答案(QA) 对，这些 QA 对作为提示的一部分输入给 LLM。这些示例 QA对通过口头描述图像内容，解决模态断连(Modality Disconnect) 问题。即：

VideoChat