【MM-LLM系列】Chinese LLaVA 开源中英文双语视觉-语言多模态模型-轻识

作者：黄文灏

原文地址：https://zhuanlan.zhihu.com/p/647777504

类型: 技术分享

本文为 @黄文灏原创转载！如有侵权，麻烦告知删除！

新开的【MM-LLM系列】是对多模态大模型相关工作的一些思考和总结。LLM就目前国内追赶的GPT3.5的目标来看已经是比较确定性的路径了（别说GPT4，国内先把10000张卡连起来训练做好了再说）。多模态大模型方向还是比较多样化的，也是决定未来模型高度的关键因素，探索起来也更有意思一些。

介绍一个用LLaMA2中文微调模型作为中文语言模型底座，加上图片理解能力的工作Chinese LLaVA。该工作follow LLaVA的结构使用中文数据做了两阶段训练。第一阶段pretrain from feature alignment，第二阶段end-to-end finetuning。

LinkSoul-AI/Chinese-LLaVA

https://github.com/LinkSoul-AI/Chinese-LLaVA

LinkSoul/Chinese-LLaVa

https://huggingface.co/spaces/LinkSoul/Chinese-LLaVa

LLaVA简介

论文地址：https://https://arxiv.org/pdf/2304.08485.pdf5.pdf
论文名称：Visual Instruction Tuning

数据集准备

LLaVA针对不同的任务，提出了构建instruction-following data的方法。为了让语言模型理解图片，首先，通过对图片进行caption，并识别出图片中的所有box，将两部分信息通过不同的prompt通过GPT生成Conversation、Detailed description、Complex reasoning任务类型的instruction-following data。数据如下图所示：

作者一共收集了158K instruction-following文本图像对数据, 包含58K in conversations, 23K in detailed description, 77k in complex reasoning。

模型结构如下图所示，对于输入图像 X_v，本文使用预训练的 CLIP 视觉编码器 ViT-L/14 进行处理，得到视觉特征 Z_v=g (X_v)。实验中使用的是最后一个 Transformer 层之前和之后的网络特征。作者使用一个简单的线性层来将图像特征连接到单词嵌入空间中。具体而言，应用可训练投影矩阵 W 将 Z_v 转换为语言嵌入标记 H_v，H_v 具有与语言模型中的单词嵌入空间相同的维度：

之后，得到一系列视觉标记 H_v。这种简单投影方案具有轻量级、成本低等特点，能够快速迭代以数据为中心的实验。也可以考虑连接图像和语言特征的更复杂（但昂贵）的方案，例如 Flamingo 中的门控交叉注意力机制和 BLIP-2 中的 Q-former，或者提供对象级特征的其他视觉编码器，如 SAM。

具体训练分为两个阶段

pretrain from feature alignment

从CC3M中选取595K image-text pairs，并用上述数据构造方法生成instruction-following data，把 image-text pair 看作是单轮的对话形式，Xq 从设计的问题形式中随机选取。

具体的：freeze 视觉编码器和 LLM 的权重，训练变换矩阵(linear layer) W �

end-to-end finetuning

freeze视觉编码器，fine-tuning预训练的变换矩阵 W 和LLM

Chinese LLaVA

这个工作基于之前的Chinese-Llama-2-7b的工作，给语言模型加入了视觉理解的能力。模型开源且可商用，可以用来做一些中文的视觉-语言任务。

LinkSoul-AI/Chinese-Llama-2-7b

https://github.com/LinkSoul-AI/Chinese-Llama-2-7b

作者在模型结构没有对LLaVA做任何改变，主要是将数据从英文转成了中文。根据huggingface上的信息，数据集还在整理中。

LinkSoul/Chinese-LLaVA-Vision-Instructions

https://huggingface.co/datasets/LinkSoul/Chinese-LLaVA-Vision-Instructions

实际案例

可以直接在huggingface space试玩

LinkSoul/Chinese-LLaVa

https://huggingface.co/spaces/LinkSoul/Chinese-LLaVa

下面是一些尝试的case

整体来说，这个多模态视觉语言模型给大家展示了用开源语言模型，快速增加中文能力和视觉理解能力的的方法，模型在简单场景下表现不错。在商用场景上，模型允许完全免费商用，这对于国内个人开发者和初创公司会有很大价值。