蘋果也在搞自己的大型多模態基礎模型，未來會不會基於該模型推出相應的文生圖產品呢？我們拭目以待。
今年以來，蘋果顯然已經加大了對生成式人工智慧（GenAI）的重視和投入。此前在 2024 蘋果股東大會上，蘋果 CEO 蒂姆・庫克表示，今年將在 GenAI 領域實現重大進展。此外，蘋果宣佈放棄 10 年之久的造車專案之後，一部分造車團隊成員也開始轉向 GenAI。
如此種種，蘋果向外界傳達了加註 GenAI 的決心。目前多模態領域的 GenAI 技術和產品非常火爆，尤以 OpenAI 的 Sora 為代表，蘋果當然也想要在該領域有所建樹。
今日，在一篇由多位作者署名的論文《MM1: Methods, Analysis & Insights from Multimodal LLM Pre-training》中，蘋果正式公佈自家的多模態大模型研究成果 —— 這是一個具有高達 30B 引數的多模態 LLM 系列。
論文地址：https://arxiv.org/pdf/2403.09611.pdf
該團隊在論文中探討了不同架構元件和資料選擇的重要性。並且，透過對影像編碼器、視覺語言聯結器和各種預訓練資料的選擇，他們總結出了幾條關鍵的設計準則。具體來講，本文的貢獻主要體現在以下幾個方面。
首先，研究者在模型架構決策和預訓練資料選擇上進行小規模消融實驗，並發現了幾個有趣的趨勢。建模設計方面的重要性按以下順序排列：影像解析度、視覺編碼器損失和容量以及視覺編碼器預訓練資料。
其次，研究者使用三種不同型別的預訓練資料：影像字幕、交錯影像文字和純文字資料。他們發現，當涉及少樣本和純文字效能時，交錯和純文字訓練資料非常重要，而對於零樣本效能，字幕資料最重要。這些趨勢在監督微調（SFT）之後仍然存在，這表明預訓練期間呈現出的效能和建模決策在微調後得以保留。
最後，研究者構建了 MM1，一個引數最高可達 300 億（其他為 30 億、70 億）的多模態模型系列， 它由密集模型和混合專家（MoE）變體組成，不僅在預訓練指標中實現 SOTA，在一系列已有多模態基準上監督微調後也能保持有競爭力的效能。
具體來講，預訓練模型 MM1 在少樣本設定下的字幕和問答任務上，要比 Emu2、Flamingo、IDEFICS 表現更好。監督微調後的 MM1 也在 12 個多模態基準上的結果也頗有競爭力。
得益於大規模多模態預訓練，MM1 在上下文預測、多影像和思維鏈推理等方面具有不錯的表現。同樣，MM1 在指令調優後展現出了強大的少樣本學習能力。
方法概覽：構建 MM1 的秘訣
構建高效能的 MLLM（Multimodal Large Language Model，多模態大型語言模型） 是一項實踐性極高的工作。儘管高層次的架構設計和訓練過程是清晰的，但是具體的實現方法並不總是一目瞭然。這項工作中，研究者詳細介紹了為建立高效能模型而進行的消融。他們探討了三個主要的設計決策方向：
架構：研究者研究了不同的預訓練影像編碼器，並探索了將 LLM 與這些編碼器連線起來的各種方法。
資料：研究者考慮了不同型別的資料及其相對混合權重。
訓練程式：研究者探討了如何訓練 MLLM，包括超引數以及在何時訓練模型的哪些部分。
消融設定
由於訓練大型 MLLM 會耗費大量資源，研究者採用了簡化的消融設定。消融的基本配置如下：
影像編碼器：在 DFN-5B 和 VeCap-300M 上使用 CLIP loss 訓練的 ViT-L/14 模型；影像大小為 336×336。
視覺語言聯結器：C-Abstractor ，含 144 個影像 token。
預訓練資料：混合字幕影像（45%）、交錯影像文字文件（45%）和純文字（10%）資料。
語言模型：1.2B 變壓器解碼器語言模型。
為了評估不同的設計決策，研究者使用了零樣本和少樣本（4 個和 8 個樣本）在多種 VQA 和影像描述任務上的效能：COCO Cap tioning 、NoCaps 、TextCaps 、VQAv2 、TextVQA 、VizWiz 、GQA 和 OK-VQA。
模型架構消融試驗
研究者分析了使 LLM 能夠處理視覺資料的元件。具體來說，他們研究了（1）如何以最佳方式預訓練視覺編碼器，以及（2）如何將視覺特徵連線到 LLM 的空間（見圖 3 左）。
影像編碼器預訓練。在這一過程中，研究者主要消融了影像解析度和影像編碼器預訓練目標的重要性。需要注意的是，與其他消融試驗不同的是，研究者本次使用了 2.9B LLM（而不是 1.2B），以確保有足夠的容量來使用一些較大的影像編碼器。
編碼器經驗：影像解析度的影響最大，其次是模型大小和訓練資料組成。如表 1 所示，將影像解析度從 224 提高到 336，所有架構的所有指標都提高了約 3%。將模型大小從 ViT-L 增加到 ViT-H，引數增加了一倍，但效能提升不大，通常不到 1%。最後，加入 VeCap-300M （一個合成字幕資料集）後，在少樣本場景中效能提升超過了 1%。
視覺語言聯結器和影像解析度。該元件的目標是將視覺表徵轉化為 LLM 空間。由於影像編碼器是 ViT，因此其輸出要麼是單一的嵌入，要麼是一組與輸入影像片段相對應的網格排列嵌入。因此，需要將影像 token 的空間排列轉換為 LLM 的順序排列。與此同時，實際的影像 token 表徵也要對映到詞嵌入空間。
VL 聯結器經驗：視覺 token 數量和影像解析度最重要，而 VL 聯結器的型別影響不大。如圖 4 所示，隨著視覺 token 數量或 / 和影像解析度的增加，零樣本和少樣本的識別率都會提高。
預訓練資料消融試驗
通常，模型的訓練分為兩個階段：預訓練和指令調優。前一階段使用網路規模的資料，後一階段則使用特定任務策劃的資料。下面重點討論了本文的預訓練階段，並詳細說明研究者的資料選擇（圖 3 右）。
有兩類資料常用於訓練 MLLM：由影像和文字對描述組成的字幕資料；以及來自網路的影像 - 文字交錯文件。表 2 是資料集的完整列表：
資料經驗 1：交錯資料有助於提高少樣本和純文字效能，而字幕資料則能提高零樣本效能。圖 5a 展示了交錯資料和字幕資料不同組合的結果。 資料經驗 2：純文字資料有助於提高少樣本和純文字效能。如圖 5b 所示，將純文字資料和字幕資料結合在一起可提高少樣本效能。 資料經驗 3：謹慎混合影像和文字資料可獲得最佳的多模態效能，並保留較強的文字效能。圖 5c 嘗試了影像（標題和交錯）和純文字資料之間的幾種混合比例。 資料經驗 4：合成資料有助於少樣本學習。如圖 5d 所示，人工合成資料確實對少數幾次學習的效能有不小的提升，絕對值分別為 2.4% 和 4%。
最終模型和訓練方法
研究者收集了之前的消融結果，確定 MM1 多模態預訓練的最終配方：
影像編碼器：考慮到影像解析度的重要性，研究者使用了解析度為 378x378px 的 ViT-H 模型，並在 DFN-5B 上使用 CLIP 目標進行預訓練；
視覺語言聯結器：由於視覺 token 的數量最為重要，研究者使用了一個有 144 個 token 的 VL 聯結器。實際架構似乎不太重要，研究者選擇了 C-Abstractor；
資料：為了保持零樣本和少樣本的效能，研究者使用了以下精心組合的資料：45% 影像 - 文字交錯文件、45% 影像 - 文字對文件和 10% 純文字文件。
為了提高模型的效能，研究者將 LLM 的大小擴大到 3B、7B 和 30B 個引數。所有模型都是在序列長度為 4096、每個序列最多 16 幅影像、解析度為 378×378 的情況下，以 512 個序列的批次大小進行完全解凍預訓練的。所有模型均使用 AXLearn 框架進行訓練。
他們在小規模、9M、85M、302M 和 1.2B 下對學習率進行網格搜尋，使用對數空間的線性迴歸來推斷從較小模型到較大模型的變化（見圖 6），結果是在給定（非嵌入）引數數量 N 的情況下，預測出最佳峰值學習率 η：
透過專家混合（MoE）進行擴充套件。在實驗中，研究者進一步探索了透過在語言模型的 FFN 層新增更多專家來擴充套件密集模型的方法。
要將密集模型轉換為 MoE，只需將密集語言解碼器替換為 MoE 語言解碼器。為了訓練 MoE，研究者採用了與密集骨幹 4 相同的訓練超引數和相同的訓練設定，包括訓練資料和訓練 token。
關於多模態預訓練結果，研究者透過適當的提示對預先訓練好的模型在上限和 VQA 任務上進行評估。表 3 對零樣本和少樣本進行了評估：
監督微調結果
最後，研究者介紹了預訓練模型之上訓練的監督微調（SFT）實驗。
他們遵循 LLaVA-1.5 和 LLaVA-NeXT，從不同的資料集中收集了大約 100 萬個 SFT 樣本。鑑於直觀上，更高的影像解析度會帶來更好的效能，研究者還採用了擴充套件到高解析度的 SFT 方法。
監督微調結果如下：
表 4 展示了與 SOTA 比較的情況，「-Chat」表示監督微調後的 MM1 模型。
首先，平均而言，MM1-3B-Chat 和 MM1-7B-Chat 優於所有列出的相同規模的模型。MM1-3B-Chat 和 MM1-7B-Chat 在 VQAv2、TextVQA、ScienceQA、MMBench 以及最近的基準測試（MMMU 和 MathVista）中表現尤為突出。
其次，研究者探索了兩種 MoE 模型：3B-MoE（64 位專家）和 6B-MoE（32 位專家）。在幾乎所有基準測試中，蘋果的 MoE 模型都比密集模型取得了更好的效能。這顯示了 MoE 進一步擴充套件的巨大潛力。
第三，對於 30B 大小的模型，MM1-30B-Chat 在 TextVQA、SEED 和 MMMU 上的表現優於 Emu2-Chat37B 和 CogVLM-30B。與 LLaVA-NeXT 相比，MM1 也取得了具有競爭力的全面效能。
不過，LLaVA-NeXT 不支援多影像推理，也不支援少樣本提示，因為每幅影像都表示為 2880 個傳送到 LLM 的 token，而 MM1 的 token 總數只有 720 個。這就限制了某些涉及多影像的應用。
圖 7b 顯示，輸入影像解析度對 SFT 評估指標平均效能的影響，圖 7c 顯示，隨著預訓練資料的增加，模型的效能不斷提高。
影像解析度的影響。圖 7b 顯示了輸入影像解析度對 SFT 評估指標平均效能的影響。
預訓練的影響：圖 7c 顯示，隨著預訓練資料的增加，模型的效能不斷提高。
更多研究細節，可參考原論文。