給你一首曲子的音頻和一件樂器的 3D 模型，然后問你這件樂器能否演奏出這首曲子。你可以通過聽覺來辨認這首曲子的音色，看它是鋼琴曲還是小提琴曲又或是來自吉他；同時用視覺識別那是件什么樂器。然后你就能得到問題的答案。但語言模型有能力辦到這一點嗎？

實際上，這個任務所需的能力名為跨模態(tài)推理，也是當今多模態(tài)大模型研究熱潮中一個重要的研究主題。近日，賓夕法尼亞大學、Salesforce 研究院和斯坦福大學的一個研究團隊給出了一個解決方案 X-InstructBLIP，能以較低的成本讓語言模型掌握跨模態(tài)推理。

人類天生就會利用多種感官來解讀周圍環(huán)境并和制定決策。通過讓人工智能體具備跨模態(tài)推理能力，我們可以促進系統(tǒng)的開發(fā)，讓其能更全面地理解環(huán)境，從而能應對僅有單個模態(tài)導致難以辨別模式和執(zhí)行推理的情況。這就催生了多模態(tài)語言模型（MLM），其可將大型語言模型（LLM）的出色能力遷移到靜態(tài)視覺領域。

近期一些研究進展的目標是通過整合音頻和視頻來擴展 MLM 的推理能力，其用的方法要么是引入預訓練的跨模態(tài)表征來在多個模態(tài)上訓練基礎模型，要么是訓練一個投影模型來將多模態(tài)與 LLM 的表征空間對齊。這些方法雖然有效，但前者往往需要針對具體任務進行微調，而后者則需要在聯(lián)合模態(tài)數(shù)據上微調模型，這樣一來就需要很多數(shù)據收集和計算資源成本。

該研究團隊提出的 X-InstructBLIP 是一個可擴展框架，讓模型可以在學習單模態(tài)數(shù)據的同時不受預訓練的跨模態(tài)嵌入空間或與解凍 LLM 參數(shù)相關的計算成本和潛在過擬合風險的限制。

• 論文地址：https://arxiv.org/pdf/2311.18799.pdf
• GitHub 地址：https://github.com/salesforce/LAVIS/

X-InstructBLIP 無縫地整合了多種模態(tài)并且這些模態(tài)各自獨立，從而不必再使用聯(lián)合模態(tài)數(shù)據集，同時還能保留執(zhí)行跨模態(tài)任務的能力。

據介紹，這種方法使用了 Q-Former 模塊，使用來自 BLIP-2 的圖像 - 文本預訓練權重進行了初始化，并在單模態(tài)數(shù)據集上進行了微調以將來自不同模態(tài)嵌入空間的輸入映射到一個凍結的 LLM。

由于某些模態(tài)缺乏指令微調數(shù)據，該團隊又提出了一個簡單又有效的方法：一種三階段查詢數(shù)據增強技術，能使用開源 LLM 來從字幕描述數(shù)據集提取指令微調數(shù)據。

圖 2 給出的結果凸顯了這個框架的多功能性。定量分析表明，X-InstructBLIP 的表現(xiàn)與現(xiàn)有的單模態(tài)模型相當，并且能在跨模態(tài)任務上表現(xiàn)出涌現(xiàn)能力。而為了量化和檢驗這種涌現(xiàn)能力，該團隊又構建了 DisCRn。這是一個自動收集和調整的判別式跨模態(tài)推理挑戰(zhàn)數(shù)據集，其需要模型分辨不同的模態(tài)組合，比如「音頻 - 視頻」和「3D - 圖像」。

方法

圖 1 展示了該模型架構的總體概況：其擴展了 Dai et al. 在 InstructBLIP 項目中提出的指令感知型投影方法，通過獨立微調具體模態(tài)的 Q-Former 到一個凍結 LLM 的映射，使其可用于任意數(shù)量的模態(tài)。

圖 3 展示了這個模態(tài)到 LLM 的對齊過程，其中突出強調了與每個模態(tài)相關的所有組件。

算法 1 概述了 X-InstructBLIP 對齊框架。

本質上講，對于每一對文本指令和非語言輸入樣本：(1) 使用一個凍結的預訓練編碼器對文本指令進行 token 化，對非文本輸入進行嵌入化。(2) 將非語言輸入的歸一化編碼和 token 化的指令輸入 Q-Former 模塊，并附帶上一組可學習的查詢嵌入。(3) 通過 Q-Former 對這些查詢嵌入進行變換，通過 transformer 模塊的交替層中的跨注意力層來條件式地適應這些輸入。(4) 通過一個可訓練的線性層將修改后的查詢嵌入投影到凍結 LLM 的嵌入空間。

數(shù)據集

X-InstructBLIP 的優(yōu)化和評估使用了之前已有的數(shù)據集和自動生成的數(shù)據集，如圖 4 所示。

對數(shù)據集進行微調

對于已有的數(shù)據集，研究者對它們進行了一些微調，詳見原論文。

此外，他們還對指令數(shù)據進行了增強。由于他們尤其需要 3D 和音頻模態(tài)的數(shù)據，于是他們使用開源大型語言模型 google/flan-t5-xxl 基于相應的字幕描述自動生成了 3D 和音頻模態(tài)的問答對。這個過程最終從 Cap3D 的 3D 數(shù)據得到了大約 25 萬個示例，從 AudioCaps 的音頻數(shù)據得到了大約 2.4 萬個示例。

判別式跨模態(tài)推理

X-InstructBLIP 明顯展現(xiàn)出了一個涌現(xiàn)能力：盡管訓練是分模態(tài)進行的，但它卻能跨模態(tài)推理。這凸顯了該模型的多功能性以及潛在的跨大量模態(tài)的可擴展性。為了研究這種跨模態(tài)推理能力，該團隊構建了一個判別式跨模態(tài)推理挑戰(zhàn)數(shù)據集 DisCRn。

如圖 5 所示，該任務需要模型跨模態(tài)分辨兩個實體的性質，做法是選出哪個模態(tài)滿足查詢的性質。該任務要求模型不僅能分辨所涉模態(tài)的內在特征，而且還要考慮它們在輸入中的相對位置。這一策略有助于讓模型不再依賴于簡單的文本匹配啟發(fā)式特征、順序偏差或潛在的欺騙性相關性。

為了生成這個數(shù)據集，研究者再次使用了增強指令數(shù)據時用過的 google/flan-t5-xxl 模型。

在生成過程中，首先是通過思維鏈方式為語言模型提供 prompt，從而為每個數(shù)據集實例生成一組屬性。然后，通過三個上下文示例使用語言模型，使之能利用上下文學習，讓每個實例都與數(shù)據集中的一個隨機實例配對，以構建一個 (問題，答案，解釋) 三元組。

在這個數(shù)據集創(chuàng)建過程中，一個關鍵步驟是反復進行的一致性檢查：給定字幕說明上，只有當模型對生成問題的預測結果與示例答案匹配時（Levenshtein 距離超過 0.9），該示例才會被加入到最終數(shù)據集中。

這個優(yōu)化調整后的數(shù)據集包含 8802 個來自 AudioCaps 驗證集的音頻 - 視頻樣本以及來自 Cap3D 的包含 5k 點云數(shù)據的留存子集的 29072 個圖像 - 點云實例。該數(shù)據集中每個實例都組合了兩個對應于字幕說明的表征：來自 AudioCaps 的 (音頻，視頻) 和來自 Cap3D 的 (點云，圖像)。

實驗

該團隊研究了能否將 X-InstructBLIP 有效地用作將跨模態(tài)整合進預訓練凍結 LLM 的綜合解決方案。

實現(xiàn)細節(jié)

X-InstructBLIP 的構建使用了 LAVIS 軟件庫的框架，基于 Vicuna v1.1 7b 和 13b 模型。每個 Q-Former 優(yōu)化 188M 個可訓練參數(shù)并學習 K=32 個隱藏維度大小為 768 的查詢 token。表 1 列出了用于每種模態(tài)的凍結預訓練編碼器。

優(yōu)化模型的硬件是 8 臺 A100 40GB GPU，使用了 AdamW。

結果

在展示的結果中，加下劃線的數(shù)值表示領域內的評估結果。粗體數(shù)值表示最佳的零樣本性能。藍色數(shù)值表示第二好的零樣本性能。

對各個模態(tài)的理解

該團隊在一系列單模態(tài)到文本任務上評估了 X-InstructBLIP 的性能，結果展現(xiàn)了其多功能性，即能有效應對實驗中的所有四種模態(tài)。表 2、3、4 和 6 總結了 X-InstructBLIP 在 3D、音頻、圖像和無聲視頻模態(tài)上的領域外性能。

跨模態(tài)聯(lián)合推理

盡管 X-InstructBLIP 的每個模態(tài)投影都是分開訓練的，但它卻展現(xiàn)出了很強的聯(lián)合模態(tài)推理能力。表 7 展示了 X-InstructBLIP 在視頻 (V) 和音頻 (A) 上執(zhí)行聯(lián)合推理的能力。

值得注意的是，X-InstructBLIP 具備協(xié)調統(tǒng)籌輸入的能力，因為當同時使用 MusicAVQA 和 VATEX Captioning 中的不同模態(tài)作為線索時，模型在使用多模態(tài)時的表現(xiàn)勝過使用單模態(tài)。但是，這個行為與模型沒有前綴提示的模型不一致。

一開始的時候，理論上認為模型沒有能力區(qū)分對應每種模態(tài)的 token，而是將它們看作是連續(xù)流。這可能是原因。但是，來自圖像 - 3D 跨模態(tài)推理任務的結果卻對這一看法構成了挑戰(zhàn) —— 其中沒有前綴的模型超過有前綴的模型 10 個點。似乎包含線索可能會讓模型對特定于模態(tài)的信息進行編碼，這在聯(lián)合推理場景中是有益的。

但是，這種針對性的編碼并不能讓模型識別和處理通常與其它模態(tài)相關的特征，而這些特征卻是增強對比任務性能所需的。其根本原因是：語言模型已經過調整，就是為了生成與模態(tài)相關的輸出，這就導致 Q-Former 在訓練期間主要接收與特定于模態(tài)的生成相關的反饋。這一機制還可以解釋模型在單模態(tài)任務上出人意料的性能提升。

跨模態(tài)判別式推理

該團隊使用新提出的 DisCRn 基準評估了 X-InstructBLIP 在不同模態(tài)上執(zhí)行判別式推理的能力。他們將該問題描述成了一個現(xiàn)實的開放式生成問題。在給 LLM 的 prompt 中會加上如下前綴：

在向 X-InstructBLIP (7b) 輸入 prompt 時，該團隊發(fā)現(xiàn)：使用 Q-Former 字幕描述 prompt（這不同于提供給 LLM 模型的比較式 prompt）會導致得到一種更適用于比較任務的更通用的表征，因此他們采用這種方法得到了表 8 的結果。其原因很可能是微調過程中缺乏比較數(shù)據，因為每個模態(tài)的 Q-Former 都是分開訓練的。

為了對新提出的模型進行基準測試，該團隊整合了一個穩(wěn)健的字幕描述基準，其做法是使用 Vicuna 7b 模型用對應于各模態(tài)的字幕描述來替換查詢輸出。對于圖像、3D 和視頻模態(tài)，他們的做法是向 InstructBLIP 輸入 prompt 使其描述圖像 / 視頻，從而得出字幕描述。對于 3D 輸入，輸入給 InstructBLIP 的是其點云的一個隨機選取的渲染視圖。

結果可以看到，在準確度方面，X-InstructBLIP 分別優(yōu)于音頻 - 視頻和圖像 - 3D 基準模型 3.2 和 7.7 個百分點。用等價的線性投影模塊替換其中一個 Q-Former 后，圖像 - 3D 的性能會下降一半以上，音頻 - 視頻的性能會下降超過 10 個點。