導讀：

多模態大模型具備創造的潛力嗎？能力如何？本文從大模型創造力測評與增強等方面進行了探索，從幽默創新響應的角度，揭示了大模型在創新任務上的潛力和不足。目前該成果被計算機視覺頂級會議CVPR 2024錄用。

論文：https://arxiv.org/abs/2312.02439

Project: https://zhongshsh.github.io/CLoT/

Code: https://github.com/sail-sg/CLoT

為了探索多模態大模型的創造力，中山大學HCP實驗室林倞教授團隊聯同Sea AI Lab、哈佛大學的研究人員從日本傳統的創新幽默游戲“大喜利”（Oogiri）切入，探索目前多模態大模型在創新響應上的現狀。并提出了讓多模態大模型打破常規思維思考（Think Outside the Box）的訓練方法 Creative Leap-of-Thought (CLoT)。

什么是“大喜利”創新響應游戲？

“大喜利”本來是指一系列日本傳統戲劇游戲，隨著時代的快速發展。現代的“大喜利”，目前一般是指一種叫Tonchi (頓智)的游戲，通常以游戲節目或智力問答節目的形式呈現，可以參考B站的日本著名節目IPPON大獎賽 (視頻鏈接)。玩家被提供各種多模態內容，可以是簡單的問題、隨機圖像等，然后提示玩家想出幽默的、有創意的反應，以達到令人驚訝的喜劇效果，如下圖所示的例子。

(例子1) 在第一個“圖文到文”的例子中，玩家要求閱讀圖像，和上面對應的文字，嘗試想出一段文字填入對應的“問號?"位置，使得整個圖文可以展示出幽默且有創意的效果。在第一個例子中，老人向年輕人尋求幫助，從正常的思維來看，可能的填寫方式可以是“請問xxx路怎么走？”或者是"可以帶我回家嗎，我迷路了"之類的┓( ′?` )┏。然而，所給出的“你...你能幫我解開手銬嗎？”的寫法具有沖擊感、幽默感，且看起來確實是這么一回事，使人忍俊不禁。

(例子2) 在第二個“圖到文”的例子中，玩家要求看圖配文，并使得圖文搭配起來具有幽默效果。這張圖看起來是一個很普通的拖車的圖片（需要注意的是，在“大喜利”游戲中，一般圖片都是很普通的日常圖片）。配文“快讓開！我的兄弟傷得很嚴重”讓傾斜著身體45°向上的車看起來像是一個奄奄一息的車子。在道路上快速的馳騁也確實體現了位于下方的車很著急，急著送兄弟去醫院。整體來說配文相當有趣且幽默！

(例子3) 在第三個“圖到文”的例子中，玩家被要求根據所給的文字進行回復，使得回復和問題合在一起具備幽默感。本例子中的回復似乎在調侃程序員的日常工作主要就是代碼的“復制+黏貼”┓( ′?` )┏ （注：CV工程師除了可以表示computer vision工程師也可以表示ctrl+c/ctrl+v工程師 ）

本工作主要關注這三種類型的“大喜利”游戲，相關數據Oogiri-GO (如下表所示，含中英日三種語言)可以進入Project頁面下載。

為什么考慮“大喜利”游戲？

“大喜利”游戲是用于探索多模態大模型創新能力的理想平臺，因為：

• “大喜利”游戲是天然的創新響應任務。如上所提到的，現代“大喜利”也被稱為Tonchi (頓智)。“頓”在日文和中文中都表示“突然”，而“智”的意思是“智力、洞察力或直覺”，該游戲天然地要求玩家給出令人眼前一亮、靈光一閃的創新響應；
• “大喜利”的數據格式是高度合適的。不管是“圖文到文”、“圖到文”還是“文到文”，這些類型都天然地和目前多模特大模型的輸入輸出格式吻合，即輸入為“圖文”，輸出僅為“文”。
• “大喜利”數據質量高。創新是一件很難的事情，即使是人類，因此能作為“創新”相關的數據集并不多。鑒于該游戲長期在互聯網上非常活躍（在中文社區中，一般也叫日式神吐槽/冷吐槽），而且帶有大量點評數據，比如點贊數等等。正好積累了大量高質量人類創新幽默響應可以被用于研究。

性能結果展示

注意事項：

• 幽默是主觀的。任何一個幽默的響應都很難取悅每一個人 (人類的悲歡并不相通.jpg)。另外文化的差異、知識范圍等原因也會造成不同人對不同響應的幽默理解。
• 創新是困難的。如日本著名“大喜利”節目IPPON大獎賽 (視頻鏈接) 中頂尖人類選手也很難確保每一次響應都能讓評委滿意。如果模型響應不滿意，可以讓它多試幾次~
• 幽默是多元的。一些常見的“調侃“、“諷刺“等手段是幽默的重要組成部分。不同的文化，甚至不同的人，對這些內容的容忍度不同，模型輸出的內容可能對某些人會產生冒犯，敬請多多包容。本文、模型以及數據均只用于學術研究。

首先展示的是在本文方法CLoT前后的創新響應對比：

接下來是一些精彩的模型響應合集：

激發創造力的思維方式Leap-of-Thought (LoT)

如下圖（左）所示，傳統的鏈式思考（Chain-of-Thought，CoT）方法是一種順序思考過程，通過逐步推理指導大模型進行邏輯推理，每個后續的思考都建立在前一個思考的基礎上。這一思考過程一定程度上確保了精確性和嚴謹性，但對于創造性問題表現不佳。如下圖（右）所示，本文探索了一種新的非順序、創造性思維范式——跳躍思維Leap-of-Thought（LoT）。這種范式涉及到思考關聯性和知識跳躍。遠距離的思考也被認為是聯想。與CoT強調邏輯緊密的思維鏈不同，LoT強調打破常規思維思考問題，激發模型的創造力。

通向LoT! 激發創造力的訓練方法CLoT

基于所提出的Oogiri-GO數據集，本文探索出一套激發多模態大模型創造力的訓練方法CLoT。如下圖所示，CLoT包括兩個階段：

• （1）關聯性指令微調。在這一階段，本文設計生成式和判別式模板，將Oogiri-GO數據集轉換為指令微調的訓練數據，用于訓練多模態大模型，使得模型具備初步的創新響應能力。
• （2）探索性自我調整。在這一階段中，本文首先通過設計遠關聯的條件詞，促使（1）中的模型生成多樣化且與輸入遠關聯的回答，并設計篩選流程，獲得可靠的新LoT數據。隨后，新數據被轉換成指令微調的訓練數據，用于進一步微調模型，具體地：

• (2.1) 探索性遠程關聯：這一步驟鼓勵LLM在給定的弱關聯條件下產生創新的回應。通過這種方式，LLM學習在看似不相關的概念之間建立聯系，從而生成多樣化的創意內容。
• (2.2)自我精煉：在探索性遠程關聯的基礎上，通過設計一系列篩選流程，收集到的創意回應被用來進一步訓練LLM。這樣做可以提高LLM在處理創造性任務時的表現，使其能夠生成更高質量和多樣性的內容。

性能評估

為了盡可能全面評估CLoT，本文基于Oogiri-GO數據集，設計了選擇題和排序題作為量化評估方式。實驗結果表明，CLoT能夠顯著提高多模態大模型（如Qwen和CogVLM）的性能，顯著超越包括GPT4v在內的先進模型。另外，與其他先進推理框架CoT等相比，在各項量化指標下也是有顯著優勢的。

此外，研究團隊還通過用戶調查，證實了CLoT幫助模型生成了更好的幽默內容。

研究團隊還考慮到了CLoT的泛化性，用“看云猜物CGG”和“發散思維測試DAT”兩個其他任務評估CLoT的性能，實驗結果顯示CLoT相對于基準模型具有更好的準確度，說明CLoT具備不錯的泛化能力。DAT是一種用于評估人類聯想創造能力的測試。

總結

本文基于研究創造力的理想平臺”大喜利”幽默創新響應游戲，來首次探討了多模態大模型的創新響應能力。揭示了現有大模型在創造力、幽默能力在內的能力不足的現狀，并提出緩解目前現狀的提升方法。本工作已開源???https://github.com/sail-sg/CLoT???，歡迎使用和引用。

本文轉載自公眾號AIGC最前線       作者投稿

原文鏈接：??https://mp.weixin.qq.com/s/cyuPhRxeYQx6BgjqA0dPzw??