多模態(tài)模型免微調(diào)接入互聯(lián)網(wǎng)，即插即用新框架，效果超閉源方案

白交 2024-11-11 09:11:50 來源：量子位

李川皓 投稿

量子位 | 公眾號 QbitAI

一個5月份完成訓(xùn)練的大模型，無法對《黑神話·悟空》游戲內(nèi)容相關(guān)問題給出準(zhǔn)確回答。

這是大模型的老毛病了。

因為《黑神話》8月才上市，訓(xùn)練數(shù)據(jù)里沒有它的相關(guān)知識。

眾所周知，大模型的訓(xùn)練和微調(diào)會消耗大量計算資源和時間，這意味著頻繁更新大模型的參數(shù)是不切實際的。

然而，現(xiàn)實世界中的信息是實時產(chǎn)生的且不斷變化的。這使得大模型在完成訓(xùn)練后，對于后續(xù)新產(chǎn)生的信息感到陌生，所以無法提供準(zhǔn)確可靠的反饋。

為此，上海人工智能實驗室、北京理工大學(xué)、浙江大學(xué)、香港大學(xué)聯(lián)合提出即插即用的SearchLVLMs框架，可以無縫整合任意的多模態(tài)大模型。

該框架在推理階段對大模型進(jìn)行互聯(lián)網(wǎng)檢索增強(qiáng)，使得大模型無需微調(diào)即可對實時信息進(jìn)行準(zhǔn)確的反饋。

研究團(tuán)隊提出首個輔助多模態(tài)大模型對實時信息進(jìn)行反饋的開源檢索增強(qiáng)框架SearchLVLMs。

該框架主要包括查詢生成、搜索引擎調(diào)用、分層過濾三個部分。

以視覺問答為例，該框架會基于問題和圖片生成查詢關(guān)鍵詞，并調(diào)用搜索引擎查找相關(guān)信息，再由粗到細(xì)地對檢索結(jié)果進(jìn)行過濾，得到對回答該問題有幫助的信息。

這些信息會以prompt的形式在推理階段提供給模型，以輔助回答。

同時，團(tuán)隊提出一個數(shù)據(jù)生成框架UDK-VQA，它可以自動生成依賴實時信息進(jìn)行回答的視覺問答數(shù)據(jù)。

基于此框架，數(shù)據(jù)集可以完成動態(tài)更新，以保證測試數(shù)據(jù)的時效性。

目前已有UDK-VQA-240401-30、UDK-VQA-240816-20兩個版本的數(shù)據(jù)集，涉及到的時間跨度分別是2024年4月1日-2024年4月31日和2024年8月16日-2024年9月5日。

研究者在超過15個開源、閉源模型上進(jìn)行了實驗，包括GPT-4o、Gemini 1.5 Pro、InternVL-1.5、LLaVA-1.6等。

在UDK-VQA數(shù)據(jù)集上的回答準(zhǔn)確率，則配備了SearchLVLMs的SOTA LVLMs超過了自帶互聯(lián)網(wǎng)檢索增強(qiáng)的GPT-4o模型35%。

開源框架SearchLVLMs

SearchLVLMs框架主要由三部分組成：

• 查詢生成
• 搜索引擎調(diào)用
• 分層過濾

在查詢生成階段，需要對問題和圖像進(jìn)行充分地理解，以轉(zhuǎn)化為適用于搜索引擎的文本查詢。

對于問題而言，直接使用手工設(shè)計的prompt調(diào)用LLM得到問題查詢詞。

對于圖像而言，調(diào)用必應(yīng)視覺搜索得到包含該圖像或與該圖像相關(guān)的網(wǎng)頁，提取這些網(wǎng)頁的題目/快照的最長公共子串作為圖像查詢詞。

在搜索引擎調(diào)用階段，用戶可以根據(jù)問題類型自主選擇調(diào)用的搜索引擎類別。

比如：對于實時性較強(qiáng)的新聞相關(guān)問題，可以選擇調(diào)用必應(yīng)新聞搜索；對于常識性問題，可以選擇調(diào)用必應(yīng)通用搜索。

調(diào)用搜索引擎后會得到多個網(wǎng)頁的題目、摘要和鏈接。

在分層過濾階段，首先調(diào)用網(wǎng)頁過濾器對得到的網(wǎng)頁進(jìn)行初篩，基于網(wǎng)頁的題目和摘要對這些網(wǎng)頁進(jìn)行重排。

對于排序靠前的網(wǎng)頁，使用爬蟲獲取網(wǎng)頁的文本內(nèi)容，每三句切分成一個片段，使用內(nèi)容過濾器對這些片段進(jìn)行重排。

對于排序靠前的片段，基于CLIP特征對它們進(jìn)行聚類，選擇離每個聚類中心的最近的片段，以避免內(nèi)容重復(fù)片段對大模型預(yù)測帶來的誤導(dǎo)。

被選擇的片段被直接拼接在一起，用于提示大模型。

其中，網(wǎng)頁過濾器和內(nèi)容過濾器是兩個獨立訓(xùn)練的LLaVA-1.5模型，作用是為網(wǎng)頁/片段進(jìn)行打分——網(wǎng)頁/片段對于回答該問題的幫助程度。

為了訓(xùn)練這兩個過濾器，也為了測試大模型對實時信息的反饋能力，研究團(tuán)隊進(jìn)一步提出了一個數(shù)據(jù)生成框架——UDK-VQA，如下圖所示。

五個步驟完成數(shù)據(jù)生成

UDK-VQA數(shù)據(jù)生成主要遵循五個步驟：

分別是查詢搜集、問題生成、圖像分配、偽標(biāo)注生成、人為驗證。

第一步，查詢搜集。

查詢搜集主要包括兩方面，一方面是從谷歌每日搜索趨勢上爬取熱門搜索詞，另一方面是人為搜集一些熱門搜索詞來對前者進(jìn)行補(bǔ)充。

第二步，問題生成。

研究人員首先根據(jù)搜集到的搜索詞調(diào)用搜索引擎得到相關(guān)的新聞，將新聞內(nèi)容進(jìn)行切分，得到多個內(nèi)容片段。

然后要求GPT根據(jù)內(nèi)容片段自問自答，得到<問題，答案>的集合。

在第三步圖像分配階段，團(tuán)隊會提取出問題中的實體，使用圖片搜索引擎得到實體的圖片，并將問題中的實體單詞替換為其上分位詞，與圖片一起組成視覺問答樣本。

第四步，偽標(biāo)注生成。

為了訓(xùn)練網(wǎng)頁過濾器和內(nèi)容過濾器，需要對網(wǎng)頁/片段進(jìn)行打分。

對于一個視覺問答樣本和一個網(wǎng)頁/片段，研究者基于兩個原則進(jìn)行打分：

① 如果該樣本是基于該網(wǎng)頁/片段生成的，分?jǐn)?shù)為1.0。

② 如果該樣本不是基于該網(wǎng)頁/片段生成的，使用5個開源模型在該網(wǎng)頁/片段下嘗試回答該樣本，根據(jù)模型回答的正確率進(jìn)行打分。

基于這樣的偽標(biāo)注方法，研究人員構(gòu)造了~80w樣本用于訓(xùn)練。

最后一步，人為驗證。

構(gòu)造測試集時，研究者對第3步得到的視覺問答樣本進(jìn)行了人為篩選，確保測試樣本的正確性。

為了避免訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)需要參考相似的實時信息，在構(gòu)造訓(xùn)練集和測試集時，研究過程中使用不同時間區(qū)間的谷歌每日搜索趨勢來爬取熱門搜索詞。

下圖中(a)、(b)、(c)分別展示了訓(xùn)練樣本、測試樣本和測試樣本的分布。

基于數(shù)據(jù)生成框架UDK-VQA，很容易可以構(gòu)造出需要實時信息進(jìn)行回答的視覺問答樣本。

研究團(tuán)隊聲明會不斷更新測試集，保證測試樣本的時效性。

目前，研究人員已經(jīng)構(gòu)造了兩個版本的測試集，分別涉及到2024年5月份和2024年9月份的信息。

實驗結(jié)果與結(jié)論

SearchLVLMs框架團(tuán)隊在UDK-VQA上測試了15個現(xiàn)有的LVLMs，主要實驗結(jié)果如下表所示。

其中，Raw表示模型的原始版本（沒有檢索增強(qiáng)功能）、Long-Context?（LC）表示將搜索引擎返回的網(wǎng)頁爬取內(nèi)容后，直接拼接起來提示模型，IAG表示使用了模型內(nèi)嵌的互聯(lián)網(wǎng)檢索增強(qiáng)能力。

Gen.、Cham.和CLIP→FID (C→F)分別表示[1]、[2]和[3]中的方法。

從實驗結(jié)果中可以有以下發(fā)現(xiàn)：

1、接收長上下文輸入可以一定程度上避免對搜索引擎的返回內(nèi)容進(jìn)行二次篩選。

Gemini Pro 1.5?(LC）的性能高于內(nèi)嵌互聯(lián)網(wǎng)檢索增強(qiáng)的GPT-4V和GPT-4o，但是長上下文會引入額外的計算消耗，并引入一些不必要的信息對模型造成誤導(dǎo)。

經(jīng)過SearchLVLMs的分層過濾模型進(jìn)行二次篩選還有，可以進(jìn)一步提升模型性能。

2、具備檢索增強(qiáng)能力的閉源商用模型在性能上顯著高于不具備檢索增強(qiáng)能力的開源模型。

GPT-4V和GPT-4o由于內(nèi)嵌互聯(lián)網(wǎng)檢索增強(qiáng)模塊，在準(zhǔn)確率上大幅領(lǐng)先開源模型，如LLaVA-1.6和InternVL-1.5，差距約為20%~30%。

3、SearchLVLMs框架可以整合任意的多模態(tài)大模型，并大幅度提高它們對于依賴實時信息的問題的回答能力。

無論是在閉源商用模型Gemini 1.5 Pro、GPT-4o、GPT-4V，還是開源SOTA模型LLaVA-1.6和InternVL-1.5上，SearchLVLMs均能帶來超過50%的性能提升。

4、SearchLVLMs帶來的性能提升，遠(yuǎn)高于已有方法。

研究對比了檢索增強(qiáng)方法Gen.、C→F和調(diào)用搜索引擎來輔助回答的框架Cham.，SearchLVLMs在應(yīng)對實時信息檢索任務(wù)時，表現(xiàn)出明顯的優(yōu)越性。

5、使用SearchLVLMs整合開源模型，性能可以大幅超過內(nèi)嵌互聯(lián)網(wǎng)檢索增強(qiáng)能力的閉源商用模型。

InternVL-1.5+SearchLVLMs的準(zhǔn)確率為92.9%，遠(yuǎn)高于GPT-4o（IAG）的57.8%。

這一發(fā)現(xiàn)表明，開源模型具有巨大的潛力，SearchLVLMs在性能、可定制性和透明度上具有顯著的優(yōu)勢。

參考文獻(xiàn)
[1] Yu et al. Generate rather than retrieve: Large language models are strong context generators. arXiv 2023.
[2] Lu et al. Chameleon: Plug-and-play compositional reasoning with large language models. NeurIPS 2023.
[3] Chen et al. Can pre-trained vision and language models answer visual information-seeking questions? EMNLP 2023.

文章鏈接: https://arxiv.org/abs/2405.14554

項目主頁：https://nevermorelch.github.io/SearchLVLMs.github.io/