官博：业界首个敢于挑战GPT-4o的模型现身模态模型

GPT-4o的横空出世，再次创立了一个多模态模型发展的新范式！

为什么这么说？

将其称为「首个『原生』多模态」模型，意味着GPT-4o与以往所有的模型，都不尽相同。

传统的多模态基础模型，通常为每种模态采用特定的「编码器」或「解码器」，将不同的模态分离开。

然而，这种方法限制了模型，有效融合跨模态信息的能力。

官博介绍，GPT-4o是「首个端到端」训练的，跨越文本、视觉和音频的模型，所有的输入和输出，都由单个神经网络处理。

而现在，业界首个敢于挑战GPT-4o的模型现身了！

最近，来自Meta团队的研究人员发布了「混合模态基座模型」——（变色龙）。

论文地址：

与GPT-4o一样，采用了统一的架构，使用文本、图像和代码混合模态完成训练。

以类似文本生成的方式，对图像进行离散「分词化」（），最终生成和推理交错的文本和图像序列。

这种「早期融合」的方法，所有的从一开始就被映射到一个共同的表示空间，因此模型可以无缝处理文本和图像。

生成的多模态内容

与此同时，这样的设计，为模型训练带来了重大的技术挑战。

对此，Meta研究团队引入了一系列架构创新和训练技术。

结果表明，在纯文本任务中，340亿参数（用10万亿多模态token训练）的性能和-Pro相当。

在视觉问答和图像标注基准上，刷新SOTA，性能接近GPT-4V。

不过，不论是GPT-4o，还是，都是新一代「原生」端到端的多模态基础模型早期探索。

GTC 2024大会上，老黄描述了迈向AGI最终愿景的重要一步——各种模态互通有无。

下一个开源GPT-4o要来？

的发布，简直就是对GPT-4o做出最快的反应。

有网友表示，token进，token出，简直无法去解释。

甚至还有人称，在GPT-4o诞生之后发布的非常扎实的研究，OOS将迎头赶上。

不过，目前模型支持生成的模态，主要是图像文本。缺少了GPT-4o中的语音能力。

网友称，然后只需添加另一种模态（音频），扩大训练数据集，「烹饪」一段时间，我们就会得到GPT-4o...?

Meta的产品管理总监称，「我非常自豪能够给予这个团队支持。让我们朝着让GPT-4o更接近开源社区的方向迈进一步」。

或许用不了多久，我们就得到了一个开源版的GPT-4o。

接下来，一起看看模型的技术细节。

技术架构

Meta在的论文中首先表示：很多新近发布的模型依旧没有将「多模态」贯彻到底。

这些模型虽然采用了端到端的训练方式，但仍然单独对不同模态进行建模，使用分开的编码器或解码器。

如开头所述，这种做法限制了模型跨模态信息的能力，也难以生成包含任意形式信息的、真正的多模态文档。

为了改进这种缺陷，Meta提出了一系列「混合模态」的基座模型——能够生成文本和图像内容任意交织在一起的内容。

的生成结果，文本和图像交错出现

所谓「混合模态」基座模型，指不仅使用了端到端的方式从头开始训练，而且训练时将所有模态的信息交织混合在一起，并使用统一的架构处理。

如何将所有模态的信息混合在同一个模型架构中表示？

答案还是「token」。

只要全部表示为token，就可以把所有所有模态的信息映射到同一个向量空间中，让无缝处理。

但是，这种做法会带来优化稳定性以及模型扩展性方面的技术挑战。

为了解决这些问题，论文相应地对模型架构进行创新，并使用了一些训练技巧，包括QK归一化和Zloss等。

同时，论文也提出了将纯文本LLM微调为多模态模型的方法。

图像「分词器」

要将所有模态全部表示为token，首先需要一个强大的分词器。

为此，的团队在Meta之前一篇论文的基础上开发了一种新的图像分词器，基于大小为8192的，将规格为512×512的图像编码为1024个离散的token。

文字分词器则基于谷歌开发的开源库，训练了一个同时含有65536个文本token与8192个图像token的BPE分词器。

预训练

为了彻底激发「混合模态」的潜力，训练数据也是将不同模态打散、混合呈现给模型的，既有纯文本、文本-图像对，也有文本、图像交错出现的多模态文档。

纯文本数据囊括了Llama 2和所使用的所有预训练数据，共计2.9万亿个token。

文本-图像对包含了一些公开数据，共计14亿对、1.5万亿个token。

对于文本和图像交错的数据，论文特意强调没有包含来自Meta产品的数据，完全使用公开数据来源，整理出共4000亿个token。

的预训练分两个单独的阶段进行，分别占总训练比例的80%和20%。

训练的第一阶段就是让模型以无监督的方式学习以上数据，第二阶段开始时，先将第一阶段得到的权重降低50%，并混合更高质量的数据让模型继续学习。

在模型扩展到超过8B参数和1T token时，训练后期会产生明显的不稳定问题。

由于所有模态共享模型权重，每个模态似乎都有增加norm的倾向，与其他模态「竞争」。

这在训练初期不会产生太大的问题，但随着训练的进行、数据超出bf16的表达范围时，就会有loss发散的现象。

研究人员将其归因于函数所具有的平移不变性，这种现象在单模态模型中也被称为「logit 漂移」（logit drift）。

因此，论文提出了一些架构调整和优化方法来保证稳定性：

-QK归一化（query-key ）：将layer norm应用于注意力模块中的query和key向量，从而直接控制层输入的norm增长。

-在注意力层和前馈层之后引入

-在损失函数中使用Zloss正则化

除了数据来源和架构，论文还大方公开了预训练所用的算力规模。

硬件型号为80GB内存的英伟达A100，7B版本并行使用1024个GPU训练了约86万个GPU小时，34B模型所用的GPU数量则扩大了3倍，GPU小时数超过428万。

作为曾经开源Llama 2的公司，Meta的研究团队确实大方，相比连技术报告都没有的GPT-4o，这篇有数据有干货的论文可谓「仁至义尽」。

全面超越Llama 2

具体的实验评估中，研究人员将其分为人工评估和安全测试，以及基准评估。

基准评估

-34B使用了比Llama 2多四倍的token进行训练后，在各种单模态的基准测试中都取得了惊艳的效果。

在纯文本任务生成中，研究人员将预训练（非SFT）模型的纯文本功能与其他领先的纯文本LLM进行比较。

评估内容包括，常识推理、阅读理解、数学问题和世界知识领域，评估结果如下表所示。

- 常识推理和阅读理解

可以观察到， 与Llama 2相比，-7B和-34B更具竞争力。甚至，34B甚至在5/8的任务上超过了Llama-2 70B，性能与-8x7B相当。

- 数学和世界知识

尽管进行了其他模态的训练，但两个模型都表现出很强的数学能力。

在GSM8k上，-7B的表现优于相应参数规模的Llama 2模型，性能与-7B相当。

此外，-34B在maj@1（61.4 vs 56.8）和-8x7B在maj@32 （77.0 vs 75.1）上的表现均优于Llama 2-70B。

同样，在数学运算中，-7B的性能超过Llama 2，与-7B在maj@4上的性能相当，而 -34B的性能超过Llama 2-70B，接近-8x7B在maj@4上的性能（24.7 vs 28.4）。

总体而言，的性能全面超过了Llama 2，在某些任务上接近-7B/8x7B。

在文本到图像任务中，研究人员具体评测了视觉问答、图像标注两项具体任务。

在视觉问答和图像标注任务中打败和Llava-1.5等模型成为SOTA，在纯文本任务中也和第一梯队的 8x7B、 Pro等模型表现相当。

人工评估和安全测试

同时，为了进一步评估模型生成多模态内容的质量，论文也在基准测试之外引入了人类评估实验，发现-34B的表现远远超过了 Pro和GPT-4V。

相对于GPT-4V和 Pro，人类评委分别打出了51.6%和60.4的偏好率。

下图展示了，对于一组多样化的、来自人类标注者的，与基线模型在理解和生成内容方面的性能对比。

其中的每个问题，都由三个不同的人类标注回答，并将多数票作为最终答案。

为了了解人类标注者的质量，以及问题的设计是否合理，研究人员还检查了不同标注者之间的一致性程度。

表5是对20,000个众包提示和445个红队交互进行的安全测试，引发模型产生不安全内容。

与和GPT-4V相比，在处理需要交错、混合模态响应的提示时，非常有竞争力。

从示例中可以看到，在完成问答任务时，既能理解输入的文本+图像，也能为模型输出内容加上合适的「配图」。

并且，生成的图像通常与上下文相关，这样一来，这种交错内容的输出对用户来说，极具吸引力。

贡献团队

论文最后，还放上了参与这项研究的贡献者。

包括预训练、对齐和安全、推理和评估、所有项目的参与者。

其中，*表示共同一作，†表示关键贡献者，‡表示工作流程负责人，♯表示项目负责人。

参考资料：