大型視覺語言模型（LVLM）可以透過擴展模型來提高效能。然而，擴大參數規模會增加訓練和推理成本，因為每個token的計算都會啟動所有模型參數。
來自北京大學、中山大學等機構的研究者聯合提出了一種新的訓練策略，名為MoE-Tuning，用於解決多模態學習和模型稀疏性相關的表現下降問題。 MoE-Tuning能夠建立參數數量驚人但計算成本恆定的稀疏模型。此外，研究者還提出了一種基於MoE的新型稀疏LVLM架構，稱為MoE-LLaVA框架。在這個框架中，透過路由演算法只啟動前k個專家，其餘專家則保持非活動狀態。透過這種方式，MoE-LLaVA框架在部署過程中能夠更有效率地利用專家網路的資源。這些研究成果為解決LVLM模型在多模態學習和模型稀疏性方面的挑戰提供了新的解決方案。
論文網址：https://arxiv.org/abs/2401.15947
計畫網址： https://github.com/PKU-YuanGroup/MoE-LLaVA
Demo網址：https://huggingface.co/spaces/LanguageBind/MoE-LLaVA
論文題目：MoE-LLaVA: Mixture of Experts for Large Vision-Language Models
MoE-LLaVA 只有3B 個稀疏激活參數，表現卻與LLaVA- 1.5-7B 在各種視覺理解資料集上相當，甚至在物體幻覺基準測試中甚至超越了LLaVA-1.5-13B。透過 MoE-LLaVA，該研究旨在建立稀疏 LVLMs 的基準，並為未來研究開發更有效率和更有效的多模態學習系統提供寶貴的見解。 MoE-LLaVA 團隊已經開放了所有的資料、程式碼和模型。 
圖1 MoE-LLaVA 在幻覺表現上和其他LVLM 的比較
如圖2 所示，視覺編碼器（vision encoder）處理輸入圖片得到視覺token 序列。利用一個投影層將視覺 token 映射成 LLM 可接受的維度。類似地，與圖片配對的文字經過一個字嵌入層（word embedding layer）被投影得到序列文字 token。 階段 1：如圖 2 所示，階段 1 的目標是讓視覺 token 適應到 LLM，賦予 LLM 看懂圖片的實體有哪些的能力。 MoE-LLaVA 採用一個 MLP 來將圖片 token 投影到 LLM 的輸入域，這表示一個個圖片小 patch 被 LLM 當作偽文字 token。在這個階段，LLM 被訓練學會描述圖片，理解更高層次的圖片語意。在這個階段 MoE 層不會被應用到 LVLM 中。 
#階段2：用多模態的指令數據來微調是提高大模型能力和可控性的關鍵技術，並且在這個階段LLM 被調整為有多模態理解能力的LVLM。在這個階段研究加入更複雜的指令，包含圖片邏輯推理，文字辨識等高階任務，要求模型有更強的多模態理解能力。通常來說，稠密模型的 LVLM 到此就訓練完成，然而研究團隊發現同時將 LLM 轉為 LVLM 和把模型稀疏化是具有挑戰的。因此，MoE-LLaVA 將使用第二階段的權重作為第三階段的初始化以降低稀疏模型學習的難度。 階段 3：MoE-LLaVA 將 FFN 複製多份作為專家集合的初始化權重。當視覺token 和文字token 被餵入MoE 層時，router 會計算每個token 和專家們的匹配權重，然後每個token 會被送入最匹配的top-k 個專家進行處理，最後根據router 的權重加權求和匯聚成輸出。當 top-k 個專家被激活時，其餘的專家保持非活動狀態，這種模型構成了具有無限可能的稀疏通路的 MoE-LLaVA。 #如圖4 所示，由於MoE-LLaVA 是第一個基於LVLM 搭載soft router 的稀疏模型，因此研究將先前的模型歸納為稠密模型。研究團隊在 5 個圖片問答 benchmark 上驗證了 MoE-LLaVA 的性能，並報告了激活的參數量和圖片解析度。與 SOTA 方法 LLaVA-1.5 相比，MoE-LLaVA-2.7B×4 展現了強大的圖片理解能力，在 5 個 benchmark 上表現非常接近 LLaVA-1.5。其中 MoE-LLaVA 以 3.6B 的稀疏活化參數在 SQAI 上超過了 LLaVA-1.5-7B 1.9%。值得注意的是，由於 MoE-LLaVA 的稀疏結構，只需要 2.6B 的活化參數量就能全面超過 IDEFICS-80B。 
圖4 MoE-LLaVA 在9 個benchmark 上的效能另外，研究團隊也關注到最近的小視覺語言模型TinyGPT-V，MoE-LLaVA-1.8B×4 在相當的活化參數下在GQA 和VisWiz 分別超過TinyGPT-V 27.5% 和10%，這標誌著MoE-LLaVA 強大的理解能力在自然視覺中。 為了更全面地驗證 MoE-LLaVA 的多模態理解能力，該研究在 4 個 benchmark toolkit 上評估了模型性能。 benchmark toolkit 是驗證模型能否自然語言問答的工具包，通常答案是開放性的且無固定模板。如圖 4 所示，MoE-LLaVA-1.8B×4 超過了 Qwen-VL，後者使用更大的圖片解析度。這些結果都展示了 MoE-LLaVA 這個稀疏模型可以用更少的激活參數達到和稠密模型相當甚至超過的性能。 
圖5 MoE-LLaVA 在幻覺物件偵測上的表現評估##該研究採用POPE 評估pipeline 來驗證MoE-LLaVA 的物體幻覺，結果如圖5 所示，MoE-LLaVA 展現出最佳的性能，意味著MoE-LLaVA 傾向於生成與給定圖像一致的對象。具體的，MoE-LLaVA-1.8B×4 以 2.2B 的活化參數超過了 LLaVA。另外，研究團隊觀察到 MoE-LLaVA 的 yes ratio 佔比處於較均衡狀態，這表明稀疏模型 MoE-LLaVA 能夠根據問題做出正確的回饋。
圖6 展示了在 ScienceQA 上 MoE-LLaVA-2.7B×4-Top2 的專家負荷。整體上，在訓練初始化時，所有的 MoE 層 中的專家的負荷都比較平衡。然而隨著模型逐漸被稀疏化，第 17 到 27 層的專家的負荷突然增大，甚至幾乎包辦了所有 token。對於淺層的 5-11 層，主要是由專家 2、3、4 共同合作。值得關注的是，專家 1 幾乎只在第 1-3 層工作，隨著模型變深，專家 1 逐漸退出了工作。因此，MoE-LLaVA 的專家們學到了某種特定的模式，它能夠按照一定的規律進行專家分工。
#圖 7 展示了不同專家的模態分佈。研究發現 text 和 image 的路由分佈極為相似，例如當專家 3 在 17-27 層努力工作時，它所處理的 text 和 image 的佔比是相似的。這顯示 MoE-LLaVA 對於模態並無明顯的偏好。 該研究也在 token level 上觀察了專家們的行為，並在下游任務上追蹤所有 token 在稀疏網路中的軌跡。對於 text 和 image 所有活化的通路，研究採用 PCA 降維得到主要的 10 條通路，如圖 8 所示。研究團隊發現對於某個未見的 text token 或 image token，MoE-LLaVA 總是偏向派發專家 2 和 3 來處理模型深層。專家 1、4 傾向於處理初始化的 token。這些結果能夠幫助我們更好地理解稀疏模型在多模態學習上的行為，並探索未知的可能性。
以上是將多模態大模型稀疏化，3B模型MoE-LLaVA媲美LLaVA-1.5-7B的詳細內容。更多資訊請關注PHP中文網其他相關文章！
