連百年梗圖都整明白了！微軟多模態(tài)「宇宙」搞定IQ測試，僅16億參數(shù)
大模型的卷，已經(jīng)不睡覺都趕不上進(jìn)度了......
這不，微軟亞研院剛剛發(fā)布了一個多模態(tài)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(xué)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(xué)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(xiàn)在，KOSMOS-1便能將這種感知和語言模型相結(jié)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(diǎn)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(jù)論文介紹，最新Kosmos-1模型是一個多模態(tài)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(tài)，如視覺、音頻都可以嵌入模型。
Transformer解碼器用作多模態(tài)輸入的通用接口，因此它能感知一般模態(tài)，進(jìn)行上下文學(xué)習(xí)，并遵循指令。
Kosmos-1在語言和多模態(tài)任務(wù)上取得了令人印象深刻的表現(xiàn)，無需進(jìn)行微調(diào)，其中包括帶有文字指示的圖像識別、視覺問答和多模態(tài)對話。
如下是Kosmos-1生成一些例子式樣。
圖片解釋、圖片問答、網(wǎng)頁問題回答，簡單數(shù)字公式，以及數(shù)字識別。
那么，Kosmos-1是在哪些數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練的呢？
訓(xùn)練所用的數(shù)據(jù)庫，包括文本語料庫、圖像-字幕對、圖像和文本交叉數(shù)據(jù)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(shù)據(jù)集的來源是Common Crawl snapshot。
數(shù)據(jù)庫有了，接下來就是對模型進(jìn)行預(yù)訓(xùn)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(chǎn)生了大約1.3B的參數(shù)。
為了保證優(yōu)化的穩(wěn)定性，采用Magneto初始化；為了更快地收斂，圖像表示是從一個預(yù)先訓(xùn)練好的具有1024個特征維度的CLIP ViT-L/14模型獲取的。在訓(xùn)練過程中，圖像被預(yù)處理成224×224分辨率，CLIP模型的參數(shù)除了最后一層均被凍結(jié)。
KOSMOS-1的參數(shù)總量約為16億。
為了使KOSMOS-1更好地與指令保持一致，對其進(jìn)行了只用語言的指令調(diào)整 [LHV+23, HSLS22]，即用指令數(shù)據(jù)繼續(xù)訓(xùn)練模型，該指令數(shù)據(jù)是僅有的語言數(shù)據(jù)，與訓(xùn)練語料庫混合。
該調(diào)優(yōu)過程是按照語言建模的方式進(jìn)行的，選取的指令數(shù)據(jù)集為Unnatural Instructions [HSLS22]和FLANv2 [LHV+23]。
結(jié)果顯示，指令跟隨能力的提高可以跨模式轉(zhuǎn)移。
總之，MLLM可以從跨模態(tài)遷移中獲益，將知識從語言遷移到多模態(tài)，反之亦然；
5大類10個任務(wù)，都拿捏了
一個模型好不好使，拿出來溜溜就知道了。
研究團(tuán)隊(duì)從多角度進(jìn)行實(shí)驗(yàn)來評價KOSMOS-1的性能，包括5大類十項(xiàng)任務(wù)：
1 語言任務(wù)（語言理解、語言生成、無OCR的文本分類）
2 多模態(tài)轉(zhuǎn)移（常識推理）
3 非語言推理（IQ測試）
4 感知-語言任務(wù)（圖像說明、視覺問答、網(wǎng)頁問答）
5 視覺任務(wù)（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(xué)字符識別（OCR）的專注于文本和圖像的理解任務(wù)。
KOSMOS-1對HatefulMemes和對Rendered SST-2測試集的準(zhǔn)確率均高于優(yōu)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(nèi)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(jìn)行微調(diào)時準(zhǔn)確率比隨機(jī)選擇提高了5.3%，經(jīng)過微調(diào)后則提高了9.3%，表明其具有感知非語言環(huán)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(jié)合起來進(jìn)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(xiàn)優(yōu)秀，相比其他模型，其得分更高，但采用的參數(shù)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(yōu)于GIT[WYH+22]，展現(xiàn)了完成視覺任務(wù)的強(qiáng)大能力。
常識推理
視覺常識推理任務(wù)要求模型理解現(xiàn)實(shí)世界中日常物體的屬性，如顏色、大小和形狀，這些任務(wù)是具有挑戰(zhàn)性的，因?yàn)樗鼈兛赡苄枰任谋局懈嗟年P(guān)于物體屬性的信息。
結(jié)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?yàn)镵OSMOS-1具備多模態(tài)遷移能力，從而能夠?qū)⒁曈X知識運(yùn)用到語言任務(wù)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(wǎng)友稱贊道，未來5年，我可以看到一個高級機(jī)器人瀏覽網(wǎng)絡(luò)，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。
