微軟亞研院發布了僅 16 億參數的多模態大型語言模型 KOSMOS-1，不僅能看圖回答，還搞定了瑞文智商測試。
大模型的卷，已經不睡覺都趕不上進度了......
這不，微軟亞研院剛剛發布了一個多模態大型語言模型—— KOSMOS-1。
論文題目 Language Is Not All You Need，還得源于一句名言。
文中有這么一句話，「我語言的局限，就是我世界的局限。—— 奧地利哲學家 Ludwig Wittgenstein」
那么問題來了......
拿著圖問 KOSMOS-1「是鴨還是兔」能搞明白嗎？這張有 100 多年歷史的梗圖硬是把谷歌 AI 整不會了。
1899 年，美國心理學家 Joseph Jastrow 首次使用「鴨兔圖」來表明感知不僅是人們所看到的，而且是一種心理活動。
現在，KOSMOS-1 便能將這種感知和語言模型相結合。
-圖中是什么？
-像一只鴨子。
-如果不是鴨子，那是什么？
-看起來更像兔子。
-為什么？
-它有兔子的耳朵。
這么一問，KOSMOS-1 真有點像微軟版的 ChatGPT 了。
不僅如此，Kosmos-1 還能理解圖像、文本、帶有文本的圖像、OCR、圖像說明、視覺 QA。
甚至 IQ 測試也不在話下。
「宇宙」無所不能
據論文介紹，最新 Kosmos-1 模型是一個多模態大型語言模型。
其主干是一個基于 Transformer 的因果語言模型，除了文本之外，其他模態，如視覺、音頻都可以嵌入模型。
Transformer 解碼器用作多模態輸入的通用接口，因此它能感知一般模態，進行上下文學習，并遵循指令。
Kosmos-1 在語言和多模態任務上取得了令人印象深刻的表現，無需進行微調，其中包括帶有文字指示的圖像識別、視覺問答和多模態對話。
如下是 Kosmos-1 生成一些例子式樣。
那么，Kosmos-1 是在哪些數據集上進行預訓練的呢？
訓練所用的數據庫，包括文本語料庫、圖像-字幕對、圖像和文本交叉數據集。
文本語料庫取自 The Pile 和 Common Crawl；
數據庫有了，接下來就是對模型進行預訓練了。
MLLM 組件有 24 層、2,048 個隱藏維度、8,192 個 FFN 和 32 個注意力頭頭，產生了大約 1.3B 的參數。
為了保證優化的穩定性，采用 Magneto 初始化；為了更快地收斂，圖像表示是從一個預先訓練好的具有 1024 個特征維度的 CLIP ViT-L / 14 模型獲取的。在訓練過程中，圖像被預處理成 224×224 分辨率，CLIP 模型的參數除了最后一層均被凍結。
KOSMOS-1 的參數總量約為 16 億。
為了使 KOSMOS-1 更好地與指令保持一致，對其進行了只用語言的指令調整 ，即用指令數據繼續訓練模型，該指令數據是僅有的語言數據，與訓練語料庫混合。
該調優過程是按照語言建模的方式進行的，選取的指令數據集為 Unnatural Instructions 和 FLANv2 (LHV+23)。
結果顯示，指令跟隨能力的提高可以跨模式轉移。
總之，MLLM 可以從跨模態遷移中獲益，將知識從語言遷移到多模態，反之亦然；
5 大類 10 個任務，都拿捏了
一個模型好不好使，拿出來溜溜就知道了。
研究團隊從多角度進行實驗來評價 KOSMOS-1 的性能，包括 5 大類十項任務:
1 語言任務
2 多模態轉移
3 非語言推理
4 感知-語言任務
5 視覺任務
無 OCR 的文本分類
這是一種不依賴于光學字符識別的專注于文本和圖像的理解任務。
KOSMOS-1 對 HatefulMemes 和對 Rendered SST-2 測試集的準確率均高于優于其他模型。
而且 Flamingo 明確提供 OCR 文本到提示中，KOSMOS-1 并沒有訪問任何外部工具或資源，這展示了 KOSMOS-1 閱讀和理解渲染的圖像中的文本的內在能力。
IQ 測試
瑞文智力測試是評估非語言的最常用測試之一。
KOSMOS-1 在沒有進行微調時準確率比隨機選擇提高了 5.3%，經過微調后則提高了 9.3%，表明其具有感知非語言環境中的抽象概念模式的能力。
這是首次有模型能夠完成零樣本 Raven 測試，證明了 MLLMs 通過將感知與語言模型結合起來進行零樣本非言語推理的潛力。
圖像說明
KOSMOS-1 在 COCO 和 Flickr30k 測試中的零樣本性能均表現優秀，相比其他模型，其得分更高，但采用的參數量更小。
在少樣本性能測試中，得分隨著 k 值增大有所增加。
零樣本圖像分類
給定一個輸入圖像，并將該圖像與提示 「The photo of the」連接起來。然后，輸入模型以獲得圖像的類別名稱。
通過在 ImageNet 上評估該模型，在有約束和無約束的條件下，KOSMOS-1 的圖像歸類效果都明顯優于 GIT (WYH+22)，展現了完成視覺任務的強大能力。
常識推理
視覺常識推理任務要求模型理解現實世界中日常物體的屬性，如顏色、大小和形狀，這些任務是具有挑戰性的，因為它們可能需要比文本中更多的關于物體屬性的信息。
結果顯示，KOSMOS-1 在尺寸和顏色方面的推理能力都明顯好于 LLM 模型。這主要是因為 KOSMOS-1 具備多模態遷移能力，從而能夠將視覺知識運用到語言任務中，而不必像 LLM 那樣必須依靠文本知識和線索來推理。
對于微軟 Kosmos-1，網友稱贊道，未來 5 年，我可以看到一個高級機器人瀏覽網絡，并僅通過視覺方式基于人類的文本輸入來工作。真是有趣的時代。
參考資料:
鄭重聲明：此文內容為本網站轉載企業宣傳資訊，目的在于傳播更多信息，與本站立場無關。僅供讀者參考，并請自行核實相關內容。
|
