1. 引言

近年來，隨著深度學習技術的飛速發展，人工智能 (AI) 在諸多領域取得了突破性進展。然而，傳統的深度學習模型在處理需要復雜推理的任務時仍然面臨挑戰。例如，在面對數學題、邏輯謎題或科學問題時，簡單地依靠模式識別和函數擬合難以獲得令人滿意的結果。為了解決這個問題，研究人員開始探索將深度學習與符號推理相結合，從而賦予 AI 系統更強的推理能力，即慢思考推理。

慢思考推理強調對問題進行深入分析和逐步求解，而非僅僅依賴直覺或快速聯想。這種方法更接近人類的認知過程，也更適用于需要邏輯推理、知識應用和問題解決的復雜場景。慢思考推理的應用場景非常廣泛，包括但不限于：

• 科學發現：輔助科學家進行數據分析、假設驗證和新知識發現。
• 自動解題：自動求解數學題、邏輯謎題和編程問題。
• 代碼生成：根據自然語言描述生成高質量、可解釋的代碼。

多模態慢思考推理將慢思考推理的概念擴展到多模態領域，旨在使 AI 系統能夠處理圖像、文本、代碼、表格等多種模態的信息，并進行跨模態的邏輯推理和問題解決。然而，多模態慢思考推理也面臨著諸多挑戰：

• 多模態數據：如何有效地融合和理解來自不同模態的信息？
• 推理過程：如何設計能夠處理多模態信息和復雜推理過程的模型？
• 模型結構：如何構建能夠進行跨模態推理和知識應用的模型架構？

為了應對這些挑戰，百川智能和中國人民大學的研究人員在論文《Virgo: A Preliminary Exploration on Reproducing o1-like MLLM》提出了一種簡單而有效的方法，將慢思考能力賦予多模態大語言模型 (MLLM)處女座 (Virgo)。百川智能是一家專注于人工智能研究與開發的創新公司，致力于打造更智能、更可信、更人性化的 AI 系統。其核心思想是利用文本長程思維數據對 MLLM 進行微調，從而使模型能夠模仿人類的推理過程，進行多模態的慢思考推理。

2. 相關工作

2.1 慢思考大語言模型 (LLM)

近年來，研究人員提出了一系列方法來增強大型語言模型 (LLM) 的推理能力。其中，思維鏈 (Chain-of-Thought, CoT) 是一種被廣泛認可的有效方法。CoT 通過在 LLM 的輸入中添加中間推理步驟，引導模型進行逐步推理，從而提高其在復雜推理任務上的性能。

OpenAI 提出的 "o1" 模型是慢思考 LLM 的一個典型代表。該模型在諸多基準測試中展現出強大的推理能力，能夠解決復雜的數學題、邏輯謎題和代碼生成問題。此外，DeepSeek R1、Qwen QwQ 等模型也展現了慢思考 LLM 在不同領域的應用潛力。

2.2 多模態大語言模型 (MLLM)

多模態大語言模型 (MLLM) 旨在將 LLM 的能力擴展到多模態領域。通常，MLLM 包括三個主要組件：

• 視覺編碼器：用于提取圖像等視覺信息的特征表示。
• LLM：用于處理文本信息和進行邏輯推理。
• 跨模態連接器：用于連接視覺編碼器和 LLM，實現跨模態的信息交互。

MLLM 在視覺問答、圖像描述生成、多模態對話等任務中取得了顯著成果。然而，現有的 MLLM 在處理需要復雜推理的任務時仍然存在不足。

2.3 指令微調

指令微調是一種通過指令數據對 LLM 和 MLLM 進行微調的方法。指令數據通常包含一個任務描述、一些示例和一個期望的輸出。通過學習大量的指令數據，模型可以更好地理解人類的意圖，并生成更符合要求的輸出。

指令微調已被證明可以有效提升 LLM 和 MLLM 的泛化能力和可控性。通過使用不同的指令數據，可以使模型適應不同的任務和領域。

3. 論文方法

論文的核心思想是利用文本長程思維數據對 MLLM 進行微調，從而使模型能夠進行多模態的慢思考推理。作者們假設慢思考能力與語言模型組件密切相關，因此可以通過文本指令遷移來 eliciting  MLLM 的慢思考能力。

論文提出了兩種具體的 MLLM 慢思考方案：

3.1 文本指令遷移

• 文本長程思維數據收集：從 DeepSeek-R1-Lite-Preview 和 QwQ-32B-preview 兩個模型中收集了約 5K 條文本長程思維指令數據，涵蓋數學、科學、代碼、謎題等多個領域。這些指令數據包含完整的推理過程和最終答案，并使用特殊的符號進行標記，例如<|begin_of_thought |>、<|end_of_thought |>、< begin_of_solution |>、< end_of_solution|>。
• 文本指令微調：選擇 Qwen2-VL-72B-Instruct 作為基礎模型，并凍結其視覺編碼器的參數。使用 AdamW 優化器，學習率為 7e-6，批大小為 128，訓練 10 個 epoch。

3.2 慢思考 MLLM 蒸餾

• 視覺長程思維數據收集：從 LLaVA-One Vision 數據集中選擇了 8 個數據集，涵蓋幾何、表格、圖表、對象等多個領域，共計約 7K 條數據。每個數據樣本包含一個問題、一張圖像和一個答案。使用 QVQ 模型和 Virgo 模型進行 rollout，生成每個問題的推理過程。
• 視覺指令微調：凍結視覺編碼器的參數，只訓練 LLM 和跨模態連接器。為了進行 self-distillation，作者們設計了一種多階段微調策略：首先使用文本指令數據對 Qwen2-VL-72B-Instruct 進行微調，然后使用微調后的模型進行 self-distillation，生成視覺長程思維數據，最后使用這些數據再次對模型進行微調。

4. 實驗結果與分析

為了驗證方法的有效性，作者在四個挑戰性的基準上進行了實驗：MathVerse、MathVision、OlympiadBench 和 MMMU。這些數據集涵蓋了各種類型的多模態推理問題，包括數學題、圖表分析、圖像理解等，可以全面評估模型的慢思考能力。

4.1 實驗設置

• 評估基準：

MathVerse：包含來自不同來源的 2612 道多學科數學題，例如代數、幾何、微積分等。

MathVision：包含來自 established 數學競賽的 3040 道高質量數學題，難度較高。

OlympiadBench：包含 8476 道用于奧林匹克級別數學和物理競賽的雙語多模態問題， 考察模型的跨語言和跨模態推理能力。

MMMU：包含 11500 道涵蓋 30 個學科和 183 個子領域的問題，例如物理、化學、生物、歷史、地理等，是一個綜合性多模態推理數據集。

• 對比模型：
• 慢思考 MLLM：OpenAI "o1" 和 QVQ-72B-preview，是目前最先進的慢思考多模態模型。
• 通用 MLLM：GPT-40、Gemini-Pro 和 Claude-3.5-Sonnet，是目前最先進的通用多模態模型，但不具備專門的慢思考能力。
• 基礎模型：Qwen2-VL-72B-Instruct，是一個開源的多模態大語言模型，作者在其基礎上進行微調，構建 Virgo 模型。

4.2 主要結果

實驗結果表明，Virgo 模型在四個基準測試中均取得了優異的性能，證明了基于文本指令微調的多模態慢思考方案的有效性。具體來說：

• 整體性能: Virgo 模型在所有基準測試中的性能都顯著優于基礎模型 Qwen2-VL-72B-Instruct，并且與 OpenAI "o1" 和 QVQ-72B-preview 等先進的慢思考 MLLM 的性能相當，甚至在某些指標上超過它們。
• 文本指令遷移: 使用文本長程思維數據進行微調的效果優于使用從慢思考 MLLM 中蒸餾得到的視覺指令數據，這表明慢思考能力可以通過文本指令有效地遷移到多模態領域。
• 模型規模: 模型規模對性能有顯著影響，72B 模型的性能明顯優于 7B 模型，這說明更大的模型具有更強的慢思考能力。

4.3 進一步分析

為了更深入地理解模型的行為，作者進行了一系列分析實驗，探索了任務難度、指令長度、指令規模、視覺指令難度等因素對模型性能的影響。

• 任務難度: 慢思考推理對較難的任務的性能提升更明顯，這表明慢思考方法更適用于需要復雜推理的場景。
• 指令長度: 中等長度的指令數據效果最佳，過短的指令可能無法提供足夠的推理步驟，而過長的指令可能引入噪聲，影響模型學習。
• 指令規模: 增加文本指令的數量可以提升模型性能，這說明更多的數據可以幫助模型更好地學習慢思考推理模式。
• 視覺指令難度: 不同難度的視覺指令對模型性能影響不大，這可能是因為當前的視覺指令生成方法還不夠完善，無法有效控制指令的難度。

4.4 案例分析

作者還通過具體的案例分析，展示了 Virgo 模型的優勢和不足。

• 成功案例: Virgo 模型能夠進行詳細的圖像描述和自我反思，例如在解答一道幾何題時，它可以準確識別圖形中的關鍵信息，并進行逐步的推理和驗證，最終得出正確答案。

• 失敗案例: Virgo 模型缺乏對感知結果的反思，例如在分析圖表時，如果模型對圖表中的數據產生了誤讀，即使進行了推理，也可能得出錯誤的結論。

5. 結論與未來方向

5.1 主要結論

• 通過使用文本長格式思維數據簡單地微調 MLLM，一個有能力的 MLLM 可以表現出顯著增強的慢思考能力。
• 對四個具有挑戰性的基準進行了廣泛的實驗，結果表明，與行業推理系統相比，這種方法實現了極具競爭力的性能。
• 研究了文本指令數據的不同因素的影響，例如數據量和長度分布。

5.2 未來AGI的可能

作者認為，當前構建多模態慢思考系統的嘗試是初步的。在未來的工作中，AGI的目標應該是擴展具有挑戰性的多模態問題的來源，并設計更有原則的方法來增強這種能力。具體來說，未來的研究方向包括：

• 構建更具挑戰性的多模態數據集: 目前的多模態推理數據集大多集中在數學和科學領域，未來需要構建更多涵蓋不同領域和任務類型的數據集，例如包含代碼、表格、圖形等多種模態信息的數據集，以及需要進行復雜邏輯推理和知識應用的數據集。
• 設計更精細的 MLLM 慢思考訓練方法: 除了文本指令微調，還可以探索其他訓練方法，例如結合強化學習，對模型的推理路徑進行優化，使其能夠更高效地找到問題的解決方案。
• 提升 MLLM 在感知和推理方面的綜合能力: 現有的 MLLM 在感知和推理方面都存在一定的局限性，未來需要進一步提升模型的感知能力，例如識別圖像中的細粒度信息，以及推理能力，例如進行多跳推理和常識推理。
• 探索慢思考 MLLM 與其他技術的結合: 可以將慢思考 MLLM 與其他技術相結合，例如知識圖譜、知識推理等，從而進一步提升模型的推理能力和問題解決能力。

6. 論文引發的思考

6.1 慢思考系統與其他技術的結合

慢思考系統并非孤立的技術，它可以與其他 AI 技術相結合，優勢互補，從而進一步提升其推理能力和問題解決能力。

• 知識圖譜: 知識圖譜以結構化的形式存儲了大量的知識和概念之間的關系，可以為慢思考系統提供豐富的背景知識和推理規則。將知識圖譜融入慢思考系統，可以使其能夠進行更深入的知識應用和邏輯推理，例如在解答數學題時，可以利用知識圖譜中的數學公式和定理進行推理；在進行醫療診斷時，可以利用知識圖譜中的醫學知識進行分析。
• 強化學習: 強化學習是一種通過試錯來學習最佳策略的方法，可以用于優化慢思考系統的推理路徑和策略。例如，可以將推理過程中的每一步決策看作一個動作，將最終的推理結果的正確性作為獎勵信號，通過強化學習算法來學習如何選擇最佳的推理路徑，從而使慢思考系統能夠更高效地解決問題。
• 多模態預訓練: 多模態預訓練旨在學習不同模態信息之間的關聯和表征，可以提升 MLLM 對多模態信息的理解能力，為慢思考推理提供更豐富的語義表示。例如，通過多模態預訓練，MLLM 可以更好地理解圖像和文本之間的關聯，從而在進行視覺問答時，能夠更準確地理解問題并找到答案。

6.2 慢思考系統在實際場景中的應用

慢思考系統在教育、科研、代碼生成等領域具有廣闊的應用前景，可以幫助人們更高效地學習、工作和解決問題。

• 教育輔助: 慢思考系統可以用于自動解題、personalized learning 等，幫助學生更好地學習和掌握知識。例如，可以根據學生的學習情況，生成個性化的學習計劃和練習題，并提供詳細的解題思路和步驟，幫助學生理解和掌握知識點。
• 科學研究: 慢思考系統可以輔助科學家進行數據分析和假設驗證，加速科學發現的進程。例如，可以幫助科學家分析大量的實驗數據，發現其中的規律和模式，并生成科學假設和理論，從而推動科學研究的進展。
• 代碼生成: 慢思考系統可以根據自然語言描述生成高質量、可解釋的代碼，提高軟件開發的效率和質量。例如，可以將用戶的需求描述轉化為代碼，并生成代碼的解釋文檔，從而降低軟件開發的難度，提高代碼的可讀性和可維護性。

6.3 慢思考系統對人工智能倫理的影響

隨著慢思考系統的能力不斷提升，其對人工智能倫理的影響也日益凸顯，需要我們認真思考和應對。

• 可解釋性: 慢思考系統能夠提供推理過程，增強模型的可解釋性，有助于人們理解 AI 的決策過程。然而，慢思考系統的推理過程可能非常復雜，如何將其轉化為人類能夠理解的形式，仍然是一個挑戰。
• 安全性: 如何確保慢思考系統做出安全可靠的決策，避免產生負面影響，是一個亟待解決的問題。例如，在醫療診斷、自動駕駛等領域，慢思考系統的決策可能會對人的生命安全產生重大影響，因此需要對其進行嚴格的測試和驗證，確保其安全性。
• 公平性: 如何避免慢思考系統產生偏見和歧視，確保其公平公正地服務于所有人，也是一個重要的倫理問題。例如，在招聘、貸款等領域，慢思考系統可能會受到數據偏差的影響，從而對某些群體產生歧視，因此需要采取措施來消除數據偏差，確保模型的公平性。

總而言之，慢思考推理是人工智能領域的一個重要發展方向，它將推動 AI 系統朝著更智能、更可信、更人性化的方向發展。論文提出的基于文本指令微調的 MLLM 慢思考方案具有重要的研究價值和應用潛力，可以為構建更強大的多模態 AI 系統提供了新的思路。

參考論文：rXiv:2501.01904v1 [cs.CV] 3 Jan 2025

本文轉載自 ??上堵吟??，作者：  ??上堵吟??