北大等出品,首个多模态版o1开源模型来了——
代号LLaVA-o1,基于Llama-3.2-Vision模型打造,超越传统思维链提示,实现自主“慢思考”推理。
在多模态推理基准测试中,LLaVA-o1超越其基础模型8.9%,并在性能上超越了一众开闭源模型。
新模型具体如何推理,直接上实例,比如问题是:
减去所有的小亮球和紫色物体,剩下多少个物体?选项:A. 4,B. 8,C. 2,D. 6
传统提示词方法还是老路子,让Llama-3.2-11B-Vision-Instruct打个样就是:
第一步减去所有的小亮球;
第二步减去所有紫色物体;
最后给出答案,鉴于我们已经移除了所有的小亮球,而且一开始就没有紫色物体,正确答案是C. 2;
哐哐一顿输出,得出错误结果。
我们再来看LLaVA-o1的推理过程:
总结阶段:问题是什么?我应该怎么做?
注释阶段:我能从这张图片中知道什么?
推理阶段:如何一步一步解决问题?
结论阶段:最终答案是什么?
是不是明显不同。这就对了,LLaVA-o1超越传统COT思维链,采用了结构化、多步骤推理。
简单说,它将推理过程划分为四个阶段,并在每一阶段采用优中选优策略来为下一阶段提供响应。
难怪看完最新效果,网友们直呼:推理 is all you need!
看来,让模型思考更多在多模态领域也同样适用——
“第一个能自发、系统推理的视觉语言模型”
前一阵,o1模型的发布又带火了COT思维链这一推理模式。(像人类一样步步思考)
于是,让模型思考更多是否会提高模型能力成为新的研究热点。
这不,除了像o1这样的通用大语言模型,北大团队还瞄上了多模态这一领域——
他们超越传统COT思维链,采用结构化、多步骤推理,一举推出多模态版o1模型——LLaVA-o1。
作者先澄清了一下, 虽然最近的VLM模型有类似名称,但LLaVA-o1是建立在Llama-3.2-Vision模型之上,而不是LLaVA。
那么,学会逐步推理的LLaVA-o1有多大提升呢?
根据论文介绍,仅用一个包含10万训练样本的数据集,LLaVA-o1在多模态推理基准测试中超越了其基础模型8.9%,并且在性能上超越了更大的模型。
甚至包括一些闭源模型,如Gemini-1.5-pro、GPT-4o-mini和Llama-3.2-90B-Vision-Instruct。
针对这一提升,团队也发现了背后的关键原因:
结构化响应显著提高了模型的系统推理能力
为了使LLaVA-o1更加结构化和系统化,团队设计了4个标签来帮助模型识别当前的推理阶段,并使用GPT-4o来生成LLaVA-o1-100k数据集。
- <摘要>:该模型简要解释了接下来的任务
- <标题>:它描述了图像中的重要细节(如果有)
- <理由>:它详细分析了这个问题
- <结论>:它基于分析提供最终答案
借助这些标签,LLaVA-o1将推理过程划分为四个明确的阶段:总结(Summary)、视觉解释(Caption)、逻辑推理(Reasoning)和结论生成(Conclusion)。
与思维链提示不同,LLaVA-o1独立参与了这些连续阶段。
不过需要提醒,在LLaVA-o1的推理过程中,前三个阶段都在内部处理(对用户隐藏),而最终结论阶段才是用户可以看到并直接与之交互的。
采用这种设计,可以使模型在不向用户暴露复杂推理细节的情况下,提供清晰和准确的答案。
接下来,LLaVA-o1通过监督微调和阶段级光束搜索方法(stage-level beam search method)来进一步提升推理能力和推理时间的可扩展性。
这里我们重点说一下团队创新提出的阶段级光束搜索方法。
简单说,团队为每个阶段(用标签标记)生成多个响应,并选择其中最佳的一个进入下一阶段。
更具体的,这是一种用于推理时间扩展(Inference-time scaling)的技术,与传统方法不同,阶段级光束搜索专注于模型推理过程中的每个独立阶段。
在这种方法中,模型在每个推理阶段生成多个候选结果,然后从中选择最佳的结果继续下一个阶段的推理。
由于它允许模型在每个阶段进行选择和优化,从而提高了整体推理的质量。
通过这种分阶段的搜索策略,LLaVA-o1能够更有效地进行推理,尤其是在处理复杂的多模态推理任务时。
最后,通过对Llama-3.2-11B-Vision-Instruct模型的微调,结果显示:
LLaVA-o1在多模态推理基准测试上使用10万个训练样本和简单的推理时间扩展方法,实现了8.9%的性能提升,超越了同等规模以及更大或闭源的模型。
北大、鹏城实验室等团队出品
简单认识一下研究背后的团队,论文作者一共6人,下面一一介绍。
Guowei Xu,目前本科就读于清华姚班,对强化学习、机器人和科学领域的AI应用感兴趣。
去年入学以来,他已在国际学术会议上参与发表多篇论文,并获得2024新生一等奖。
Peng Jin(金鹏),曾在清华大学获得学士学位,目前是北大三年级博士生,师从袁粒。
他对文本-视频检索、跨模态表示学习以及多模态大语言模型感兴趣,从2022年9月至今,已有11篇论文被顶会接收。
和他同样北大博三,师从袁粒的,还有Hao Li(李昊),不过李昊之前毕业于北大计算机科学系。
李昊对多模态学习、视觉理解和化学科学人工智能感兴趣,至今已在国际顶会上发表了20多篇论文,总谷歌学术引用量300+。
而他们的老师袁粒,量子位的读者想必都很熟悉了。
袁粒目前是北大深圳研究生院助理教授,专注于多模态深度学习研究方向,一作论文单篇被引用千余次。
屡屡登上热搜的ChatExcel、ChatLaw等垂直领域产品,都是出自他的团队。
另外两位作者:
Yibing Song(宋奕兵),目前是阿里达摩院研究员/研究经理,之前还是复旦大学的一名教师,并在腾讯AI实验室担任高级研究员。
他当前主要对多模态AI感兴趣,至今发表了50多篇顶级论文,而且被斯坦福大学选为全球前2%的科学家之一。
Lichao Sun,目前是美国莱赫大学计算机科学与工程系助理教授。
在此之前,他于2020年在伊利诺伊大学芝加哥分校获得计算机科学博士学位。
他还是多项奖项的获得者,包括2024年微软加速基础模型研究奖、2024年OpenAI研究员奖和NSF CRII奖。
接下来,团队宣布LLaVA-o1的代码、预训练权重、数据集等即将全部开源。
感兴趣的童鞋可以蹲一波了~