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（MLLM）—— KOSMOS-1。

論文地址：https://arxiv.org/pdf/2302.14045.pdf

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

Kosmos來源希臘一詞cosmos，有「宇宙」之意。

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。

圖片解釋、圖片問答、網頁問題回答，簡單數字公式，以及數字識別。

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（CC）；

圖像-字幕對的來源為English LAION-2B、LAION-400M、COYO-700M和Conceptual Captions；

文本交叉數據集的來源是Common Crawl snapshot。

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 [LHV+23, HSLS22]，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 [HSLS22]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（語言理解、語言生成、無OCR的文本分類）

2 多模態轉移（常識推理）

3 非語言推理（IQ測試）

4 感知-語言任務（圖像說明、視覺問答、網頁問答）

5 視覺任務（零樣本圖像分類、帶描述的零樣本圖像分類）

無OCR的文本分類

這是一種不依賴于光學字符識別（OCR）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[DDS+09]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。