當(dāng)前主流的視覺語言模型（VLM）主要基于大語言模型（LLM）進一步微調(diào)。因此需要通過各種方式將圖像映射到 LLM 的嵌入空間，然后使用自回歸方式根據(jù)圖像 token 預(yù)測答案。

在這個過程中，模態(tài)的對齊是通過文本 token 隱式實現(xiàn)的，如何做好這一步的對齊非常關(guān)鍵。

針對這一問題，武漢大學(xué)、字節(jié)跳動豆包大模型團隊和中國科學(xué)院大學(xué)的研究人員提出了一種基于對比學(xué)習(xí)的文本 token 篩選方法（CAL），從文本中篩選出與圖像高度相關(guān)的 token，并加大其損失函數(shù)權(quán)重，從而實現(xiàn)更精準的多模態(tài)對齊。

• 論文鏈接：???https://arxiv.org/pdf/2405.17871???
• 代碼鏈接：???https://github.com/foundation-multimodal-models/CAL???

CAL 有以下幾個亮點：

• 可以直接嵌套到訓(xùn)練過程，無需額外預(yù)訓(xùn)練階段。
• 在 OCR 和 Caption benchmarks 上獲得了明顯的提升，從可視化中可以發(fā)現(xiàn) CAL 使得圖片模態(tài)對齊效果更好。
• CAL 使得訓(xùn)練過程對噪聲數(shù)據(jù)抵抗能力更強。

研究動機

目前視覺語言模型依賴于圖片模態(tài)的對齊，如何做好對齊非常關(guān)鍵。目前主流的方法是通過文本自回歸的方式進行隱式對齊，但是每個文本 token 對圖像對齊的貢獻是不一致的，對這些文本 token 進行區(qū)分是非常有必要的。

CAL 提出，在現(xiàn)有的視覺語言模型（VLM）訓(xùn)練數(shù)據(jù)中，文本 token 可以被分為三類：

• 與圖片高度相關(guān)的文本：如實體（例如人、動物、物體）、數(shù)量、顏色、文字等。這些 token 與圖像信息直接對應(yīng)，對多模態(tài)對齊至關(guān)重要。
• 與圖片低相關(guān)度的文本：如承接詞或可以通過前文推斷出的內(nèi)容。這些 token 實際上主要是在訓(xùn)練 VLM 的純文本能力。
• 與圖片內(nèi)容相悖的文本：這些 token 與圖像信息不一致，甚至可能提供誤導(dǎo)信息，對多模態(tài)對齊過程產(chǎn)生負面影響。

圖一：綠色標(biāo)記為與圖片高度相關(guān) token，紅色為內(nèi)容相悖，無色為中性 token

在訓(xùn)練過程中，后兩類 token 整體而言實際上占據(jù)了較大比例，但由于它們并不強依賴于圖片，對圖片的模態(tài)對齊作用不大。因此，為了實現(xiàn)更好的對齊，需要加大第一類文本 token，即與圖片高度相關(guān)部分 token 的權(quán)重。如何找出這一部分 token 成為了解決這個問題的關(guān)鍵所在。

方法

找出與圖片高度相關(guān) token 這個問題可以通過 condition contrastive 的方式來解決。

• 對于訓(xùn)練數(shù)據(jù)中的每個圖文對，在沒有圖片輸入的情況下，每個文本 token 上的 logit 代表著 LLM 基于上下文情況和已有知識對這種情況出現(xiàn)的估計值。
• 如果在前面添加圖片輸入，相當(dāng)于提供額外的上下文信息，這種情況下每個 text token 的 logit 會基于新的情況進行調(diào)整。這兩種情況的 logit 變化量代表著圖片這個新的條件對每個文本 token 的影響大小。

具體來說，在訓(xùn)練過程中，CAL 將圖文序列和單獨的文本序列分別輸入到大語言模型（LLM）中，得到每個文本 token 的 logit。通過計算這兩種情況下的 logit 差值，可以衡量圖片對每個 token 的影響程度。logit 差值越大，說明圖片對該 token 的影響越大，因此該 token 與圖像越相關(guān)。下圖展示了文本 token 的 logit diff 和 CAL 方法的流程圖。

圖二：左圖是對兩種情形下 token logit diff 的可視化，右圖是 CAL 方法流程的可視化

實驗

CAL 在 LLaVA 和 MGM 兩個主流模型上進行了實驗驗證，在不同規(guī)模的模型下均實現(xiàn)了性能提升。

包含以下四個部分的驗證：

（1）使用 CAL 的模型在各項基準測試指標(biāo)上表現(xiàn)更佳。

（2） 通過按比例隨機交換兩個圖文對中的文本來制造一批噪聲數(shù)據(jù)（圖文錯配），并用于模型訓(xùn)練，CAL 使得訓(xùn)練過程具有更強的數(shù)據(jù)抗噪性能。

圖三：在不同強度訓(xùn)練噪聲情況下，CAL 與基線的性能表現(xiàn)

（3）對 QA case 中的答案部分計算其與圖片 token 的注意力分數(shù)分布，并將其繪制在原圖上，CAL 訓(xùn)練的模型擁有更清晰的注意力分布圖。

圖四：基線與 CAL 的 attention map 可視化，每對中的右邊為 CAL

（4）將每個圖片 token 映射為它最相似 LLM 詞表中的文本 token，將其繪制到原圖上，CAL 訓(xùn)練的模型映射內(nèi)容更接近圖片內(nèi)容。

圖五：將 image token 映射為最相似詞表 token，并對應(yīng)到原圖上

團隊介紹：

字節(jié)跳動豆包大模型團隊成立于 2023 年，致力于開發(fā)業(yè)界最先進的 AI 大模型技術(shù)，成為世界一流的研究團隊，為科技和社會發(fā)展作出貢獻。

本文轉(zhuǎn)自 機器之心 ，作者：機器之心

原文鏈接:??https://mp.weixin.qq.com/s/CkfSefskLPJwT8-JnBSWcg??