英伟达发布 VILA 视觉语言模型，实现多图像推理、增强型上下文学习，性能超越 LLaVA-1.5

前言

近年来，大型语言模型 (LLM) 的发展取得了显著的成果，并逐渐应用于多模态领域，例如视觉语言模型 (VLM)。VLM 旨在将 LLM 的强大能力扩展到视觉领域，使其能够理解和处理图像和文本信息，并完成诸如视觉问答、图像描述生成等任务。然而，现有的 VLM 通常缺乏对视觉语言预训练过程的深入研究，导致模型在多模态任务上的性能和泛化能力受限。为了解决这个问题，英伟达的研究人员发布了 VILA，一种全新的 VLM，通过改进的预训练方法实现了多图像推理、增强型上下文学习等能力，并在多个基准测试中性能超越了 SOTA 模型 LLaVA-1.5。

Huggingface模型下载：https://huggingface.co/Efficient-Large-Model/Llama-3-VILA1.5-8B
AI快站模型免费加速下载：https://aifasthub.com/models/Efficient-Large-Model

技术特点

优化视觉语言预训练过程

VILA 的核心技术在于对视觉语言预训练过程的优化。研究人员通过对预训练数据集、训练策略和模型架构进行深入研究，发现了影响 VLM 性能的关键因素：

更新 LLM：传统的 VLM 预训练方法通常冻结 LLM 参数，仅训练视觉编码器和投影层。而 VILA 发现，更新 LLM 参数对于模型的上下文学习能力至关重要。通过更新 LLM，模型能够更好地将视觉和文本特征融合到深层网络中，从而提高对多模态信息的理解能力。
交错式视觉语言数据： VILA 发现，使用交错式视觉语言数据（例如 MMC4 数据集）进行预训练，能够更好地保留 LLM 的文本处理能力，并提升模型在视觉语言任务上的性能。与仅包含图像-文本对的数据集相比，交错式数据集更接近于 LLM 预训练所使用的纯文本语料，因此能够更有效地进行模态对齐。
联合监督微调： 为了弥补预训练过程中 LLM 文本能力的下降，VILA 采用联合监督微调方法，将纯文本指令数据添加到视觉语言指令数据中进行微调。这种方法不仅能够恢复 LLM 的文本能力，还能提升模型在视觉语言任务上的准确率。

简单高效的模型架构

VILA 采用了简单高效的模型架构，包括视觉编码器、LLM 和投影层。视觉编码器用于提取图像特征，LLM 用于处理文本和视觉特征，投影层用于将视觉特征映射到 LLM 的输入空间。VILA 使用 CLIP 模型作为视觉编码器，并使用 Llama-2 作为 LLM。投影层则采用简单的线性层，以保证模型的效率。

性能表现

VILA 在 12 个视觉语言基准测试中展现出优异的性能，并超越了 SOTA 模型 LLaVA-1.5，例如：

VQAv2: VILA-13B 的准确率达到了 80.8%，高于 LLaVA-1.5-13B 的 80.0%。
GQA: VILA-13B 的准确率达到了 63.3%，高于 LLaVA-1.5-13B 的 63.3%。
TextVQA: VILA-13B 的准确率达到了 73.7%，高于 LLaVA-1.5-13B 的 71.6%。
多语言能力: VILA 在 MMBench-Chinese 基准测试中也取得了优异的成绩，表明其具有多语言处理能力。

此外，VILA 还表现出强大的文本处理能力，在 MMLU、BBH 和 DROP 等文本基准测试中也取得了与 Llama-2 相当的成绩。

应用场景

VILA 凭借其强大的性能和多模态理解能力，在众多应用场景中具有巨大潜力：

视觉问答: VILA 可以用于回答与图像相关的问题，例如“图片中有什么？”、“这个人正在做什么？”等。
图像描述生成: VILA 可以根据图像内容生成详细的描述，例如“这是一张海滩的照片，沙滩上有很多人在晒太阳”。
多模态对话: VILA 可以与用户进行多模态对话，例如用户可以上传一张图片并询问相关问题，VILA 可以根据图片内容进行回答。
多图像推理: VILA 能够理解多张图片之间的关系，并进行推理，例如找出多张图片中的共同点或差异。

总结

VILA 是英伟达发布的一款全新的视觉语言模型，通过优化预训练方法实现了多图像推理、增强型上下文学习等能力，并在多个基准测试中性能超越了 SOTA 模型 LLaVA-1.5。VILA 的发布表明，视觉语言预训练对于 VLM 的性能提升至关重要，而交错式数据、LLM 参数更新和联合监督微调则是提升 VLM 性能的关键因素。相信 VILA 将会推动 VLM 的进一步发展，为多模态人工智能应用带来更多可能性。