BLIP-2 dan InstructBLIP berada dalam tiga teratas! Dua belas model utama, enam belas senarai, penilaian komprehensif "model bahasa besar pelbagai mod"

Model Bahasa Besar Berbilang Modal (MLLM) bergantung pada simpanan pengetahuan LLM yang kaya dan keupayaan penaakulan serta generalisasi yang berkuasa untuk menyelesaikan masalah berbilang modal telah muncul, seperti Lihat gambar dan tulis serta lihat gambar dan tulis kod.

Tetapi sukar untuk mencerminkan sepenuhnya prestasi MLLM berdasarkan contoh ini sahaja, dan masih terdapat kekurangan penilaian komprehensif MLLM.

Untuk tujuan ini, Tencent Youtu Lab dan Universiti Xiamen menjalankan penilaian kuantitatif komprehensif terhadap 12 model MLLM sumber terbuka sedia ada buat kali pertama pada penanda aras penilaian MM yang baru dibina dan menerbitkan 16 kedudukan, termasuk kedua-dua persepsi dan senarai keseluruhan dan 14 sub-senarai:

Pautan kertas: https://arxiv.org/pdf/2306.13394.pdf

Pautan projek: https://github.com/wesomeradyFU/Amodal Model/pokok/Penilaian-Bahasa Besar

Kaedah penilaian kuantitatif MLLM sedia ada terbahagi terutamanya kepada tiga kategori, tetapi kesemuanya mempunyai had tertentu yang menyukarkan untuk mencerminkan prestasi mereka sepenuhnya.

Kaedah kategori pertama dinilai pada set data awam tradisional, seperti set data Caption Imej dan Visual Question Answering (VQA).

Tetapi di satu pihak, set data tradisional ini mungkin tidak dapat mencerminkan keupayaan baharu yang muncul daripada MLLM Sebaliknya, memandangkan set latihan dalam era model besar tidak lagi bersatu, sukar untuk menjamin bahawa set data penilaian ini tidak dilatih oleh MLLM lain.

Cara kedua ialah mengumpul data baharu untuk penilaian terbuka, tetapi data ini sama ada tidak awam [1] atau bilangannya terlalu kecil (hanya 50 gambar) [2].

Kaedah ketiga memfokuskan pada aspek khusus MLLM, seperti halusinasi objek [3] atau keteguhan lawan [4], dan tidak boleh dinilai sepenuhnya.

Ada keperluan mendesak untuk penanda aras penilaian yang komprehensif untuk menyamai perkembangan pesat MLLM. Penyelidik percaya bahawa penanda aras penilaian komprehensif sejagat harus mempunyai ciri-ciri berikut:

(1) Ia harus meliputi sebanyak mungkin skop, termasuk persepsi dan kebolehan kognitif. Yang pertama merujuk kepada mengenal pasti objek, termasuk kewujudan, kuantiti, lokasi dan warnanya. Yang terakhir merujuk kepada penyepaduan maklumat deria dan pengetahuan dalam LLM untuk melakukan penaakulan yang lebih kompleks. Yang pertama adalah asas kepada yang terakhir.

(2) Data atau anotasi hendaklah mengelak daripada menggunakan set data awam sedia ada sebanyak mungkin untuk mengurangkan risiko kebocoran data.

(3) Arahan hendaklah sesingkat mungkin dan konsisten dengan tabiat kognitif manusia. Reka bentuk arahan yang berbeza mungkin sangat mempengaruhi output model, tetapi semua model dinilai di bawah arahan bersatu dan ringkas untuk memastikan keadilan. Model MLLM yang baik harus mempunyai kebolehan untuk membuat generalisasi kepada arahan yang begitu ringkas untuk mengelakkan daripada terjerumus ke dalam kejuruteraan segera.

(4) Output MLLM di bawah arahan ringkas ini hendaklah intuitif dan mudah untuk statistik kuantitatif. Jawapan terbuka MLLM menimbulkan cabaran besar kepada statistik kuantitatif. Kaedah sedia ada cenderung menggunakan GPT atau pemarkahan manual, tetapi mungkin menghadapi masalah ketidaktepatan dan subjektiviti.

Rajah 1. Contoh penanda aras penilaian MME. Setiap gambar sepadan dengan dua soalan, dan jawapannya masing-masing Ya[Y] dan Tidak[N]. Soalan tambah "Sila jawab ya atau tidak" bersama-sama membentuk arahan.

Berdasarkan sebab di atas, MME penanda aras penilaian MLLM baharu telah dibina, yang mempunyai empat ciri di atas pada masa yang sama:

1 MME menilai persepsi dan kebolehan kognitif secara serentak. Selain OCR, keupayaan penderiaan termasuk pengecaman sasaran berbutir kasar dan halus. Yang pertama mengenal pasti kehadiran, kuantiti, lokasi dan warna objek. Yang terakhir ini mengenal pasti poster filem, selebriti, adegan, mercu tanda dan karya seni. Kebolehan kognitif termasuk penaakulan akal, pengiraan berangka, terjemahan teks dan penaakulan kod. Jumlah bilangan subtugas mencapai 14, seperti yang ditunjukkan dalam Rajah 1.

2. Semua pasangan arahan-jawapan dalam MME dibina secara manual. Untuk beberapa set data yang tersedia secara umum yang digunakan, hanya imej mereka digunakan tanpa bergantung pada anotasi asalnya. Pada masa yang sama, penyelidik juga cuba sedaya upaya untuk mengumpul data melalui fotografi manual dan penjanaan imej.

3. Arahan MME direka bentuk sependek yang mungkin untuk mengelakkan kesan Kejuruteraan Prompt pada output model. Para penyelidik mengulangi bahawa MLLM yang baik harus digeneralisasikan kepada arahan yang ringkas dan kerap digunakan, yang adil kepada semua model. Arahan untuk setiap subtugas ditunjukkan dalam Rajah 1.

4 Terima kasih kepada reka bentuk arahan "Sila jawab ya atau tidak", statistik kuantitatif boleh dilakukan dengan mudah berdasarkan output "Ya" atau "Tidak" oleh model ini boleh memastikan ketepatan dan objektiviti pada masa yang sama masa. Perlu diingat bahawa penyelidik juga telah mencuba untuk mereka bentuk arahan untuk soalan aneka pilihan, tetapi mendapati bahawa MLLM semasa masih sukar untuk mengikuti arahan yang lebih kompleks itu.

Penyelidik menilai sejumlah 12 model MLLM lanjutan, termasuk BLIP-2 [5], LLaVA [6], MiniGPT-4 [7], mPLUG-Owl [2], LLaMA-Adapter-v2 [8] ] , Otter [9], Multimodal-GPT [10], InstructBLIP [11], VisualGLM-6B [12], PandaGPT [13], ImageBind-LLM [14] dan LaVIN [15].

Antaranya, terdapat tiga penunjuk statistik, termasuk Ketepatan, Ketepatan+ dan Skor. Untuk setiap tugasan, Ketepatan adalah berdasarkan statistik soalan, Ketepatan+ adalah berdasarkan statistik gambar (kedua-dua soalan yang sepadan dengan gambar perlu dijawab dengan betul), dan Skor ialah jumlah Ketepatan dan Ketepatan+.

Jumlah skor persepsi ialah jumlah markah 10 sub-tugas persepsi, dan jumlah skor kognisi ialah jumlah markah 4 tugasan kognitif. Lihat pautan projek untuk butiran.

Perbandingan ujian 12 model pada 14 subtugasan ditunjukkan dalam Rajah 2:

Rajah 2. Perbandingan 12 model pada 14 subtugas. Markah penuh untuk setiap sub-tugas ialah 200 mata.

Sebanyak 16 senarai, termasuk senarai keseluruhan kategori persepsi dan kognisi serta senarai 14 sub-tugas juga telah dikeluarkan. Kedua-dua senarai keseluruhan ditunjukkan dalam Rajah 3 dan 4. Perlu diingat bahawa BLIP-2 dan InstructBLIP kekal dalam tiga teratas dalam kedua-dua senarai.

Gambar

Rajah 3. Jumlah senarai tugasan persepsi

Rajah 4. Jumlah tugasan

Rajah 5. Semua senarai

Selain itu, penyelidik juga merumuskan beberapa masalah biasa yang didedahkan oleh model MLLM dalam eksperimen, seperti yang ditunjukkan dalam Rajah 6, dengan harapan dapat memberikan panduan untuk pengoptimuman model seterusnya.

Gambar

Rajah 6. Masalah biasa yang didedahkan oleh MLLM. [Y]/[N] bermaksud jawapan sebenar ialah Ya/Tidak. [R] ialah jawapan yang dijana oleh MLLM.

Masalah pertama adalah tidak mengikut arahan.

Walaupun reka bentuk arahan yang sangat ringkas telah diguna pakai, masih ada MLLM yang bebas menjawab soalan daripada mengikuti arahan.

Seperti yang ditunjukkan dalam baris pertama Rajah 6, arahan telah menyatakan "Sila jawab ya atau tidak", tetapi MLLM hanya memberikan jawapan deklaratif. Jika "Ya" atau "Tidak" tidak muncul pada permulaan jawapan, jawapan itu dinilai sebagai salah. MLLM yang baik, terutamanya selepas memperhalusi arahan, seharusnya boleh membuat generalisasi kepada arahan mudah tersebut.

Masalah kedua ialah kekurangan persepsi.

Seperti yang ditunjukkan pada baris kedua dalam Rajah 6, MLLM tersilap mengenal pasti bilangan pisang dalam gambar pertama dan nombor dalam gambar kedua, mengakibatkan jawapan yang salah. Para penyelidik juga menyedari bahawa prestasi persepsi mudah dipengaruhi oleh perubahan dalam arahan, kerana dua arahan untuk gambar yang sama yang berbeza dengan hanya satu perkataan menghasilkan hasil persepsi yang berbeza sama sekali.

Masalah ketiga ialah kekurangan keupayaan penaakulan. .

Begitu juga, dalam gambar kedua, MLLM telah mengira hasil aritmetik yang betul, tetapi akhirnya juga memberikan jawapan yang salah. Menambah gesaan rantaian pemikiran, seperti "Mari kita fikir langkah demi langkah" mungkin membawa hasil yang lebih baik. Mengharapkan penyelidikan yang lebih mendalam dalam bidang ini.

Soalan keempat ialah penglihatan objek mengikut arahan. Seperti yang ditunjukkan dalam baris keempat Rajah 6, apabila arahan mengandungi objek yang tidak wujud dalam gambar, MLLM akan membayangkan bahawa objek itu wujud dan akhirnya memberikan jawapan "Ya".

Pendekatan sentiasa menjawab "Ya" ini menghasilkan Ketepatan hampir 50% dan Ketepatan+ hampir kepada 0. Ini menunjukkan kepentingan menyekat halusinasi sasaran dan juga memerlukan pemikiran lanjut tentang kebolehpercayaan jawapan yang dihasilkan oleh MLLM.

Atas ialah kandungan terperinci BLIP-2 dan InstructBLIP berada dalam tiga teratas! Dua belas model utama, enam belas senarai, penilaian komprehensif "model bahasa besar pelbagai mod". Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!