多模态GPT：国内发布一款可以在线使用的多模态聊天机器人！

使用视觉和语言指令训练一个多模态聊天机器人！

基于开源多模态模型OpenFlamingo，作者使用公开数据集创建了各种视觉指令数据，包括视觉问答、图像字幕、视觉推理、文本 OCR 和视觉对话。此外，还使用仅包含语言指令数据的语言模型组件进行了训练。

视觉和语言指令的联合训练有效提高了模型的性能！

具体细节就跟随小编继续往下看看吧~

总结

本文提出一种多模态GPT（视觉、语言），与人类进行多轮对话，同时设计了统一化多模态的指令数据模板

能够遵循的指令类型：生成详细的标题、计算特定的对象、处理一般的询问

基准模型：OpenFlamingo（用LoRA方式训练）

联合训练的数据：1.纯文本数据  2.图像-文本数据

其他的一些多模态GPT模型：GPT-4[1]、Mini-GPT[2]、LLaVA[3]

提到的其他LLM：Vicuna[4]、LLaMA[5]

提到的其他数据集：VQA v2.0、Ok-vqa、GQA、CLEVR、NLVR

1.引言

人类交流/理解世界的方式：视觉、语言等

AI智能助手的作用：根据多种模态的指令，理解人类意图，完成各种任务

之前的方法：将视觉表示与LLM的输入空间对齐，随后利用LLM中的原始自我注意来处理视觉信息

本文的方法：微调Flamingo（开源）

视觉编码器

门限交叉注意力机制

预训练使用“图文对”数据

统一多模态的指令模板

语言数据、语言-视觉数据，进行联合训练

本文目标：在多模态对话任务上，接近人的性能表现

2.统一指令模板

主要是提出了一个统一的训练数据模板，把以下两种数据整合起来，提高模型理解能力

2.1 仅语言的指令模板

仅包含语言的指令提示模板

{instruction}, {input}为输入文本，{response} ， 用于计算损失

使用数据：

Dolly 15k数据集

Alpaca GPT4数据集

2.2 视觉-语言的指令模板

包含视觉-语言的指令提示模板

其中，{question} 是原始文本，是表示图像存在的token，{response}、 用于计算损失

使用数据集：

LLaVA

Mini-GPT4

A-OKVQA

COCO caption （不直接作为训练集，而是用GPT-4转化，再加入训练集）

OCR VQA

上述合成指令使得训练集较为丰富，则模型能够更健壮

图像描述的指令，举例如下：

本文方法

模型结构图

基线模型：open-flamingo模型

组成：

视觉编码器：CLIP

感知重采样

语言解码器：LLaMA （自注意力、交叉注意力、FFW中加入LoRA，便于微调）

训练数据：用2.1和2.2两种数据，进行联合训练

训练过程：通过预测文本的下一个标记进行训练，只有{responce}和标记参与损失计算

4.实验

实验设置：

 

实验参数	取值
GPU	A100 * 8
epoch	1
batch_size	1
LoRA参数更新	每16轮
learning rate	1e-5

 

Demos展示：

给出一个烤千层面的食谱，并告诉用户在哪里吃到它

能够识别埃隆·马斯克的形象，并回答关于埃隆·马斯克的问题

我知道照片上有4个女人，也知道她们在做什么

认得出电影，也知道电影是由哪个电影公司制作的

能识别图像中的人物，并认识该书的作者

可以回答关于用户旅行的一般问题

可以为图像生成详细的描述，并有能力推理得到在图像中的季节

在线网站

感兴趣可以去官方网站[6]去尝试下，真的很棒！点击阅读原文也可直达！

缺点是好像只支持英文~

审核编辑 ：李倩