近段時(shí)間，已經(jīng)出現(xiàn)了不少基于擴(kuò)散模型的語言模型，而現(xiàn)在，基于擴(kuò)散模型的視覺-語言模型（VLM）也來了，即能夠聯(lián)合處理視覺和文本信息的模型。今天我們介紹的這個(gè)名叫 LaViDa，繼承了擴(kuò)散語言模型高速且可控的優(yōu)點(diǎn)，并在實(shí)驗(yàn)中取得了相當(dāng)不錯(cuò)的表現(xiàn)。

現(xiàn)目前，幾乎所有流行的 VLM 都是基于大型語言模型（LLM）構(gòu)建的，而這些模型采用的范式是自回歸（AR），即按照從左到右的順序逐一生成 token。

在很多任務(wù)上，自回歸模型都表現(xiàn)出色，不過缺點(diǎn)也仍然存在。首先，由于它們是按順序生成，因此這個(gè)過程本質(zhì)上難以并行化，從而導(dǎo)致推理速度緩慢。另外，由于它們是從左到右生成，因此難以處理需要雙向上下文或結(jié)構(gòu)約束的任務(wù) —— 例如文本填空。

例如，生成一首每行都以特定音節(jié)開頭的詩(shī)歌，或從預(yù)定義 JSON 格式的圖像中提取結(jié)構(gòu)化信息 —— 這些任務(wù)通常需要模型填充或協(xié)調(diào)整個(gè)序列中的內(nèi)容。即使使用精心設(shè)計(jì)的提示詞和演示，自回歸模型仍然難以穩(wěn)定地滿足此類約束。

近段時(shí)間，離散的擴(kuò)散模型（DM）開始崛起，甚至被許多人認(rèn)為是自回歸 LLM 的一種有力替代，比如我們?cè)鴪?bào)道過的首個(gè) 8B 擴(kuò)散大語言模型 LLaDA、擴(kuò)散推理模型 Dream 7B 以及首個(gè)商業(yè)級(jí)擴(kuò)散 LLM Mercury。

不同于自回歸 LLM，擴(kuò)散模型是將文本生成視為在離散 token 上的擴(kuò)散過程。會(huì)有一個(gè)前向過程逐漸將離散文本 token 序列退化（corrupt）為一個(gè)掩碼 token 序列。在推理過程中，則是從一個(gè)掩碼 token 序列開始，并通過一個(gè)學(xué)習(xí)到的反向過程逐漸將其轉(zhuǎn)換為一個(gè)有意義的文本 token 序列。

相比于自回歸 LLM，擴(kuò)散模型具有多項(xiàng)理論優(yōu)勢(shì)，可直接解決自回歸生成的局限性。

首先，自回歸 LLM 的吞吐量是固定的 —— 每次生成一個(gè) token；而擴(kuò)散模型則可以通過調(diào)整擴(kuò)散步驟的數(shù)量來靈活地控制速度與質(zhì)量之間的平衡。此外，它們能夠建模雙向上下文，這使得它們非常適合文本填空等任務(wù)，從而實(shí)現(xiàn)更有效的約束生成和結(jié)構(gòu)化的輸出格式化 —— 這些功能在視覺-語言環(huán)境中尤其有價(jià)值，因?yàn)槠漭敵隹赡苄枰裱囟ǖ哪Ｊ健?/span>

基于這些觀察和實(shí)踐，LaViDa 誕生了，其全稱為 Large Vision-Language Diffusion Model with Masking，即「帶掩碼的大型視覺-語言擴(kuò)散模型」。

• 論文標(biāo)題：LaViDa: A Large Diffusion Language Model for Multimodal Understanding
• 論文地址：https://arxiv.org/pdf/2505.16839

該模型來自加利福尼亞大學(xué)洛杉磯分校、松下、Adobe 和 Salesforce，算得上是首批基于擴(kuò)散的 VLM 之一，我們之前還報(bào)道過的另外幾個(gè)多模態(tài)的擴(kuò)散語言模型可供對(duì)照：

• 比 Gemini Diffusion 更全能！首個(gè)多模態(tài)擴(kuò)散大語言模型 MMaDA 發(fā)布，同時(shí)實(shí)現(xiàn)強(qiáng)推理與高可控性
• 舍棄自回歸！國(guó)內(nèi)團(tuán)隊(duì)打造純擴(kuò)散多模態(tài)大模型 LLaDA-V，理解任務(wù)新 SOTA
• 谷歌之后，英偉達(dá)入局?jǐn)U散大語言模型，F(xiàn)ast-dLLM推理速度狂飆27.6倍

簡(jiǎn)單來說，為了使預(yù)訓(xùn)練的擴(kuò)散模型能夠感知視覺輸入，LaViDa 的做法是使用一個(gè)視覺編碼器將視覺特征整合進(jìn)擴(kuò)散主干網(wǎng)絡(luò) —— 類似于 LLaVA 使用視覺輸入增強(qiáng)大型語言模型 (LLM) 的方式。訓(xùn)練方法上，他們采用了以擴(kuò)散為目標(biāo)的兩階段訓(xùn)練流程：先進(jìn)行預(yù)訓(xùn)練，然后進(jìn)行監(jiān)督微調(diào)。

下面來詳細(xì)看看 LaViDa 的具體方法和實(shí)驗(yàn)表現(xiàn)。

LaViDa 是如何構(gòu)建的？

LaViDa 的模型架構(gòu)與 LLaVa 等常見的自回歸視覺-語言模型（VLM）類似。它由視覺編碼器和擴(kuò)散語言模型組成。這兩部分通過一個(gè) MLP 投射網(wǎng)絡(luò)連接。其整體設(shè)計(jì)如圖 2 所示。

視覺編碼器：給定輸入圖像 I 和文本提示詞 P，首先將圖像大小調(diào)整為 7682，并將其分成四個(gè) 3842 的不重疊視圖，記為 I_{1:4}。另外，按照之前的相關(guān)研究，也將原始圖像的大小調(diào)整為 3842，以獲得第五個(gè)視圖 I_5。

這五個(gè)視圖分別由視覺編碼器（SigLIP-400M）獨(dú)立編碼，每個(gè)視圖產(chǎn)生 272 個(gè)嵌入，記為 V_{1:5}。總的來算，每個(gè)圖像會(huì)產(chǎn)生 3645 個(gè)嵌入。

為了減少序列長(zhǎng)度以提高訓(xùn)練效率，該團(tuán)隊(duì)還會(huì)在每個(gè)視圖上應(yīng)用 2×2 平均池化，從而將嵌入減少到了每個(gè)視圖 142 個(gè)，即總共 980 個(gè)。

然后，這五個(gè)視圖的嵌入會(huì)被展平并連接成一維序列，然后由投射網(wǎng)絡(luò)處理，從而獲得擴(kuò)散語言模型的最終視覺上下文。此過程與自回歸 LLM 的視覺編碼過程相似，如圖 2 底部所示。

擴(kuò)散語言模型：這里的擴(kuò)散語言模型是一個(gè)多層 Transformer，其架構(gòu)與 LLM 類似。唯一的主要區(qū)別是：它的注意力掩碼是非因果式的，并且它使用的建模目標(biāo)是如下擴(kuò)散語言建模目標(biāo)，而不是自回歸模型使用的下一個(gè) token 預(yù)測(cè)。

擴(kuò)散語言模型的輸入包括投射的視覺嵌入、提示詞 P ，以及部分遮掩的響應(yīng) X_t 。最后一個(gè) Transformer 塊的輸出會(huì)經(jīng)過最終線性層，以獲得無掩碼的響應(yīng) X_0 的逐 token logit 。在其實(shí)驗(yàn)中，他們探索了 LLaDA-8B（默認(rèn)）和 Dream-7B 作為擴(kuò)散語言模型。該過程如圖 2 的上半部分所示。

下圖展示了 LaViDa 的更多技術(shù)細(xì)節(jié)，而有關(guān)其訓(xùn)練算法和推理算法的更詳細(xì)描述請(qǐng)參閱原論文。

LaViDa 的實(shí)驗(yàn)表現(xiàn)如何？

從高層面看，LaViDa 總體上采用了一種兩階段訓(xùn)練流程。

在預(yù)訓(xùn)練階段（階段 1），僅更新投射算子，從而讓視覺嵌入與 DLM 的隱空間對(duì)齊。

在微調(diào)階段（階段 2），對(duì)所有組件進(jìn)行端到端聯(lián)合訓(xùn)練，以實(shí)現(xiàn)指令遵循。此外，該團(tuán)隊(duì)還對(duì)階段 2 的模型進(jìn)行了進(jìn)一步微調(diào)，并得到了兩個(gè)分別用于推理和文本填空任務(wù)的專用模型。

主要結(jié)果

評(píng)估使用了多種視覺-語言任務(wù)。表 1 報(bào)告了在視覺理解任務(wù)上，LaViDa 使用 LLaDA-8B（LaViDa-L）和 Dream-7B（LaViDa-D）作為語言主干網(wǎng)絡(luò)的結(jié)果，另外還有一些對(duì)比模型的結(jié)果。

可以看到，在一般任務(wù)、推理、光學(xué)字符識(shí)別 (OCR) 和科學(xué)等類別的眾多任務(wù)上，LaViDa 展現(xiàn)出極具競(jìng)爭(zhēng)力的性能。

其中，在一般性的視覺-語言理解方面，LaViDa-L 在 MMMU 上取得了最高分 (43.3)，優(yōu)于所有同類模型。LaViDa-D 在該類別的多個(gè)基準(zhǔn)測(cè)試中也排名第二。

在推理任務(wù)方面，這兩個(gè)模型在數(shù)學(xué)密集型和基于空間的基準(zhǔn)測(cè)試中均超越了規(guī)模相似的基線模型。

在科學(xué)方面，LaViDa 在 ScienceQA 上取得了最高分和第二高的成績(jī)（分別為 81.4 分和 80.2 分），同時(shí)在基于復(fù)雜圖表的基準(zhǔn) AI2D 上的表現(xiàn)與 Open-Llava-Next 相當(dāng)。

最后，在 OCR 方面，LaViDa 表現(xiàn)還算不錯(cuò)，但落后于一些最新的自回歸模型。該團(tuán)隊(duì)分析表示，這種差距主要是因?yàn)?LaViDa 使用了平均池化進(jìn)行視覺 token 壓縮，這會(huì)導(dǎo)致細(xì)粒度空間信息丟失。雖然這在計(jì)算預(yù)算方面是必要的權(quán)衡，但對(duì)于需要精確文本識(shí)別和布局理解的任務(wù)來說，這會(huì)帶來困難。

整體來看，這些結(jié)果凸顯了 LaViDa 的優(yōu)勢(shì)，表明基于擴(kuò)散的方法頗具競(jìng)爭(zhēng)力，可以與自回歸模型一樣 scale，同時(shí)在多種視覺-語言任務(wù)上取得穩(wěn)健的表現(xiàn)。

推理蒸餾

為了提升 LaViDa 模型的推理能力，該團(tuán)隊(duì)使用從 VL-Rethinker-7B 蒸餾出的 1.92 萬個(gè) CoT 樣本又進(jìn)行第三階段訓(xùn)練。最終，他們得到了一個(gè)推理模型 LaViDa-Reason，并在 MathVista、MathVerse 和 MathVision 上進(jìn)行了評(píng)估，結(jié)果見表 2a。

在這些任務(wù)中，最大生成長(zhǎng)度 L 設(shè)置為 1024。從結(jié)果可以看到，LaViDa-Reason 在所有基準(zhǔn)測(cè)試中均優(yōu)于 LaViDa，在最難的 MathVision 推理數(shù)據(jù)集上更是提升明顯（相對(duì)提升了 18%）。

文本填空

LaViDa 為文本生成提供了強(qiáng)大的可控性，尤其是在文本填空方面。

給定一份由 L 個(gè) token 構(gòu)成的草稿，其中包含 L_M 個(gè)掩碼，跳轉(zhuǎn)到時(shí)間步驟 t = L_M / L 并運(yùn)行標(biāo)準(zhǔn)推理直到 t = 0。這會(huì)直接將 L_M 個(gè)掩碼替換為 L_M 個(gè) token。

然而，在實(shí)踐中，補(bǔ)全所需的 token 數(shù)量可能會(huì)更少 —— 例如，There is a [M][M][M][M] in the image 可能會(huì)變成 dog 或 traffic light。

為了支持長(zhǎng)度可變的補(bǔ)全，該團(tuán)隊(duì)使用階段 2 數(shù)據(jù)一個(gè) 20% 的子集進(jìn)行了額外的階段 3 訓(xùn)練，并將該模型命名為 LaViDa-FIM。

在訓(xùn)練期間，他們會(huì)在文本中間插入隨機(jī)長(zhǎng)度的 [S]...[S][FIM] 序列。在推理時(shí)，則將 [FIM] 附加到已遮掩的片段（例如 [M][M][M][M][FIM]）以為靈活的終止提供信號(hào)。然后，該模型可以生成類似 [dog][S][S][S][FIM] 或 [traffic][light][S][S][FIM] 形式的補(bǔ)全。

雖然 FIM 目標(biāo)通常是在語言任務(wù)（例如代碼補(bǔ)全）的語境中討論，但它們與多模態(tài)應(yīng)用同樣相關(guān)。

圖 4a 展示了有約束詩(shī)歌生成的定性結(jié)果，其中模型需要生成一首描述圖像的詩(shī)歌，并且每行要以特定的音節(jié)開頭。與自回歸模型不同，LaViDa 和 LaViDa-FIM 都成功完成了任務(wù)。值得注意的是，LaViDa-FIM 會(huì)動(dòng)態(tài)調(diào)整每行的 token 數(shù)量。

表 2b 則展示了 100 個(gè)樣本的定量結(jié)果：這兩個(gè) LaViDa 變體均實(shí)現(xiàn)了 100% 的約束滿足率，而對(duì)比的自回歸模型則均在 50% 以下。

速度與質(zhì)量的權(quán)衡

通過控制離散化步數(shù) K，LaViDa 提供了一種便捷的方法來實(shí)現(xiàn)速度與質(zhì)量的權(quán)衡。

基于 COCO 2017 val 數(shù)據(jù)集的 500 張圖像，該團(tuán)隊(duì)比較了不同 K 值下的圖像描述性能。其中 K ∈ {32, 24, 16, 8}，等價(jià)地 NFE∈ {100%, 75%, 50%, 25%}。

圖 4b 報(bào)告了在單個(gè) A5000 GPU 上測(cè)得的每張圖像的平均延遲和 CIDEr 分?jǐn)?shù)。

當(dāng) NFE=100% 時(shí)，LaViDa 的 CIDEr 得分高于自回歸基線，但速度略慢。當(dāng) NFE=75% 和 NFE=50% 時(shí)，LaViDa 的速度比自回歸基線更快，并且質(zhì)量更好。當(dāng) NFE=25% 時(shí)，速度明顯更快，但性能略遜一籌。這表明 LaViDa 可以根據(jù)應(yīng)用需求靈活調(diào)整其推理速度，允許用戶根據(jù)具體需求在生成延遲和輸出質(zhì)量之間進(jìn)行權(quán)衡。

此外，該團(tuán)隊(duì)還研究了 KV 緩存的影響和噪聲調(diào)度，并進(jìn)行了消融研究，詳見原論文。