本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

首先，推薦一篇啟發我很多的綜述和對應的項目地址（本文的封面圖也來自該綜述）

A Survey on Multimodal Large Language Models
arxiv.org/abs/2306.13549

Awesome-Multimodal-Large-Language-Models
github.com/BradyFU/Awesome-Multimodal-Large-Language-Models

這篇綜述一張圖總結了多模態LLM的典型架構：

BLIP

【2022.01發布】https://arxiv.org/abs/2201.12086

統一視覺-語言理解和生成，使用captioner+filter高效利用互聯網有噪數據

模型架構：

• Image/text encoder: ITC loss對齊視覺和語言表征，基于ALBEF提出的momentum distillation
• Image-grounded text encoder: ITM loss建模視覺-語言交互，區分positive/negative圖文對，使用hard negative mining挖掘更高相似度的負例優化模型
• Image-grounded text decoder: LM loss實現基于圖像的文本解碼，將雙向self-attention替換為causal self-attention

BLIP的bootstrapping訓練過程：

BLIP-2

【2023.01發布】https://arxiv.org/abs/2301.12597

使用相對輕量的Q-Former連接視覺-語言模態，通過兩階段訓練：第1階段基于凍住的視覺編碼器，第2階段基于凍住的LLM

第1階段：同樣優化ITC/ITM/LM loss，使用不同的self-attention mask，query和text端共享self-attention參數，使得可學習的query embedding提取與text語義最相關的視覺表征；使用BERT-base初始化，32個768維的query作為信息瓶頸

• ITC：計算每個query與text的相似度，取最大的；使用batch內negatives，不再使用momentum queue
• ITM：對每個query與text的分類logits取平均，使用hard negatives mining挖掘難負例
• LM：text token和frozen image encoder不能直接交互，要求query能提取有益的視覺特征

第2階段：可基于decoder-only/encoder-decoder LLM進行適配，FC層對齊維度

LLaVA

【2023.04發布】https://arxiv.org/abs/2304.08485

1. 使用僅文本模態的GPT-4生成視覺-語言指令遵循數據，用于微調多模態LLM

• 使用圖片的dense captions和bounding boxes作為prompt，可以生成對話、細節描述、復雜推理等指令

2. CLIP ViT-L/14 + Vicuna，使用簡單的線性層進行映射

• 更復雜的：Flamingo中gated cross-attention，BLIP-2中的Q-former

1. LLaVA模型的兩階段訓練

• stage1. 預訓練特征對齊：凍住vision encoder和LLM，只訓練projection，學習一個兼容的visual tokenizer
• stage2. 端到端微調：凍住vision encoder，在單輪/多輪對話數據上微調projection和LLM

MiniGPT-4

【2023.04發布】https://arxiv.org/abs/2304.10592

stage1. 預訓練：使用image-text pair微調linear projection layer，vision encoder和LLM保持凍住

stage2. 指令微調：指令格式為：###Human:###Assistant:

InstructBLIP

【2023.05發布】https://arxiv.org/abs/2305.06500

stage1. 預訓練：BLIP-2（使用image-text pairs進行兩階段訓練）

stage2. 指令微調：只微調instruction-aware Q-former，凍住vision encoder和LLM

支持FlanT5(encoder-decoder)和Vicuna(decoder-only)

Qwen-VL

【2023.08發布】https://arxiv.org/abs/2308.12966

支持中英雙語、多圖像輸入

Qwen-7B + OpenCLIP ViT-bigG，輸入圖像直接resize到視覺編碼器輸入

位置感知的VL adapter：使用基于Q-former的單層的cross-attention，將圖像特征維度壓縮到256，在query-key pairs中引入2D絕對位置編碼增強位置信息

圖像輸入：256-dim圖像特征

bounding box輸入輸出：(X_topleft, Y_topleft), (X_bottomright, Y_bottomright),…標記box所指內容

三階段訓練：

stage1. 預訓練：基于大規模、弱標注、網絡爬取的圖像-文本對，輸入分辨率224x224，凍住LLM，訓練ViT和Q-former，主要目的是模態對齊

stage2. 多任務預訓練：基于7種下游視覺-語言理解任務的高質量、細粒度標注數據訓練，輸入分辨率448x448，圖像/文本數據交錯，訓練整個模型

stage3. 指令微調：提升指令遵循和多輪對話能力，凍住ViT，訓練LLM和Q-former

Qwen-VL-Plus和Qwen-VL-Max提升了視覺推理能力、圖像細節的識別/提取/分析能力（尤其是文本導向的任務）、支持高分辨率和極端縱橫比的輸入圖像；在部分中文場景超過了GPT-4V和Gemini

InternLM-XComposer

【2023.09發布】https://arxiv.org/abs/2309.15112

交錯圖文構成：自動在輸出文本中插入合適的圖片

EVA-CLIP ViT + InternLM-7B + Q-former (將圖像特征壓縮到64個embedding）

兩階段訓練：

stage1. 預訓練：凍住ViT，訓練LLM和Q-former

stage2. 監督微調：包括多任務訓練和指令微調，凍住ViT和LLM，訓練Q-former，對LLM進行LoRA微調，增強指令遵循和圖文混排能力

Fuyu-8B

【2023.10發布】https://huggingface.co/adept/fuyu-8b

模型架構和訓練過程簡單，易于scaling；支持任意圖像分辨率；推理速度快

decoder-only的transformer，沒有專門的圖像編碼器；image patch直接線性映射到transformer第一層

LLaVA-1.5

【2023.10發布】https://arxiv.org/abs/2310.03744

仍使用MLP作為模態連接，突出了訓練的數據高效性

CogVLM

【2023.11發布】https://arxiv.org/abs/2311.03079

深度視覺-語言模態融合，而不影響LLM原有的語言能力：凍住LLM和ViT，在attention和FFN層訓練一份視覺專家模塊

CogAgent

【2023.12發布】https://arxiv.org/abs/2312.08914

針對GUI場景的多模態理解和導引，使用高分辨率-低分辨率雙編碼器，支持1120x1120的屏幕輸入

高分辨率分支使用更輕量的ViT，基于cross-attention將高分辨率圖像特征與LLM每層進行融合

VILA

【2023.12發布】https://arxiv.org/abs/2312.07533

探索了視覺-語言模型訓練的設計選擇：

1. 預訓練階段凍住LLM雖然能取得較好的zero-shot性能，但上下文學習能力依賴對LLM的微調
2. 圖文交錯的預訓練數據是有益的，只用圖文數據對效果不夠好
3. 將純文本的指令微調數據加入SFT階段有助于緩解純文本任務的能力退化，同時也能夠增強視覺-語言任務的準確性

LLaVA-Next

【2024.01發布】https://llava-vl.github.io/blog/2024-01-30-llava-next/

相對于LLaVA-1.5，保持了極簡的設計和數據高效性：

1. 提高了輸入圖像的分辨率 (4x)，支持3種縱橫比：672x672, 336x1344, 1344x336
2. 更好的視覺推理和OCR能力：更好的指令微調數據配比
3. 更好的多場景視覺對話：更好的世界知識和邏輯推理
4. 更高效的部署和推理：SGLang

動態高分辨率：視覺編碼器支持336x336的圖像輸入，對于672x672的圖像，按照{2,2}的grid split成4個圖像patch過encoder，downsample到336x336也過encoder，特征拼接作為visual tokens輸入到LLM中

收集高質量用戶數據，包括真實場景中反映用戶更廣泛意圖的指令數據，利用GPT-4V進行數據構造

多模態文檔/圖表數據，增強文檔OCR和圖表理解能力

InternLM-XComposer2

【2024.01發布】https://arxiv.org/abs/2401.16420

提出了新的模態對齊方法partial LoRA：只在image token上添加LoRA參數，保證預訓練語言知識的完整性，這樣一個更輕量的視覺編碼器同樣有效

OpenAI CLIP ViT-L/14 + InternLM2-7B + partial LoRA (rank=256)

兩階段訓練：

stage1. 預訓練：凍住LLM，微調ViT和partial LoRA模塊，包括通用語義對齊（理解圖像基本內容）、世界知識對齊（進行復雜的知識推理）、視覺能力增強（OCR、物體定位、圖表理解）

stage2. 監督微調：微調整個模型，包括多任務訓練、自由形式圖文排布

InternLM-XComposer2-4KHD

2024.04發布了4KHD版本：https://arxiv.org/abs/2404.06512

支持動態分辨率（336px → 4K (3840x1600))：改進了patch division范式，保持訓練圖像原有的縱橫比，自動變化patch數目，基于336x336的ViT配置layout

動態圖像劃分：將輸入圖像resize and pad到336的整數倍寬高

結合圖像的global和local視角：global視角由輸入直接resize到336x336，使用sep token分隔兩種視角的token

圖像2D結構的換行符：可學習的\n token分隔圖像token行

Mini-Gemini

【2024.03發布】https://arxiv.org/abs/2403.18814

使用雙視覺編碼器提取低分辨率embedding作為query，高分辨率特征區域作為key/value，兩者之間做cross-attention，輸出挖掘的tokens作為prompt前綴，輸入到LLM做推理，外接圖像解碼器生成圖像(SDXL)