当前位置：首页 > news >正文

【论文阅读】A Survey on Multimodal Large Language Models

news 来源：原创 2025/6/12 20:41:46

前言
一、背景与核心概念
- 1-1、多模态大语言模型（MLLMs）的定义
二、MLLMs的架构设计
- 2-1、三大核心模块
- 2-2、架构优化趋势
三、训练策略与数据
- 3-1、三阶段训练流程
四、评估方法
- 4-1、闭集评估（Closed-set）
- 4-2、开集评估（Open-set）
- 4-3、多模态幻觉评估
- 4-4、多模态综合能力评估
五、扩展方向与技术
- 5-1、模态支持扩展
- 5-2、交互粒度扩展
- 5-3、语言与文化扩展
- 5-4、垂直领域扩展
- 5-5、效率优化扩展
- 5-6、新兴技术融合
总结

前言

这篇综述系统梳理了多模态模型的技术栈，从基础架构到前沿应用，并指出当前瓶颈（如幻觉、长上下文）和解决思路。其核心价值在于（1）方法论：三阶段训练（预训练→指令微调→对齐）成为主流范式。（2）开源生态：LLaVA、MiniGPT-4等开源模型推动社区发展。（3）跨学科应用：在医疗、机器人等领域的渗透展示通用潜力。

一、背景与核心概念

1-1、多模态大语言模型（MLLMs）的定义

核心思想：以强大的大语言模型（如GPT-4、LLaMA）为“大脑”，通过模态接口（如视觉编码器）将图像、音频、视频等非文本模态与文本模态对齐，实现跨模态理解和生成。

与传统多模态模型的区别：

规模：MLLMs基于百亿参数规模的LLMs，而传统模型（如CLIP、OFA）参数更小。
能力：MLLMs展现涌现能力（如复杂推理、指令跟随），传统模型多为单任务专用。

多模态模型发展线如下所示：
在这里插入图片描述

二、MLLMs的架构设计

2-1、三大核心模块

1、模态编码器（Modality Encoder）（眼睛/耳朵）

功能：将原始数据（如图像、音频、视屏等）转换为特征表示，使其能够与文本模态对其。（例如图像、音视频编码器）

常用模型：

图像：CLIP-ViT、EVA-CLIP（更高分辨率支持）、ConvNeXt（卷积架构）。
音频：CLAP、ImageBind（支持多模态统一编码）。

关键发现：输入分辨率对性能影响显著（如448x448比224x224更优）。即更高的分辨率可以获得更加显著的性能。

如图所示为常用的图像编码器：
在这里插入图片描述

2、大语言模型（LLM）（大脑）

功能： 作为MLLM的“大脑”，负责整合多模态信息，执行推理，生成文本输出。

选择：开源模型（LLaMA-2、Vicuna）或双语模型（Qwen）。
参数规模的影响：从13B→34B参数提升，中文零样本能力涌现（即使训练数据仅为英文）。
知识注入：领域适配，例如数据微调，或者工具调用，即通过指令微调教会LLM调用外部API。

如图所示为常用公开的大语言模型：
在这里插入图片描述

3、模态接口（Modality Interface）：用于对齐不同的模态

可学习接口：

Token级融合：如BLIP-2的Q-Former，将视觉特征压缩为少量Token。
特征级融合：如CogVLM在LLM每层插入视觉专家模块。

**专家模型：**调用现成模型（如OCR工具）将图像转为文本，再输入LLM（灵活性差但无需训练）。

如图所示为典型多模态模型架构示意图：
在这里插入图片描述
4、模块协同工作示例（以LLaVA为例）

图像编码：CLIP-ViT将图像编码为视觉特征。
特征对齐：通过两层MLP将视觉特征投影到LLaMA的文本嵌入空间。
指令微调：联合训练视觉-文本特征，使LLaMA能理解“描述图像中第三只猫的颜色”。
推理生成：LLaMA基于对齐特征生成自然语言响应。

2-2、架构优化趋势

高分辨率支持：通过分块（Monkey）、双编码器（CogAgent）处理高分辨率图像。

稀疏化：混合专家（MoE）架构（如MoE-LLaVA）在保持计算成本的同时增加参数量。

三、训练策略与数据

3-1、三阶段训练流程

1、预训练（Pretraining）

目标：将不同模态（如图像、音频）的特征映射到统一的语义空间，通过大规模数据吸收通用知识（如物体识别、基本推理）。
数据：大规模粗粒度图文对（如LAION-5B）或高质量细粒度数据（如GPT-4V生成的ShareGPT4V）。计算图文相似度，移除相似度太低的样本。
关键技巧：冻结编码器和LLM，仅训练接口（防止灾难性遗忘）。

如图所示为预训练所用的通用数据集：
在这里插入图片描述

2、指令微调（Instruction Tuning）

目标：使模型能够理解和执行多样化的用户指令（如“描述图像中的情感”），指令调优学习如何泛化到不可见的任务。

数据构建方法：

任务适配：将VQA数据集转为指令格式（如“Question: <问题> Answer: <答案>”）。
自指令生成：用GPT-4生成多轮对话数据（如LLaVA-Instruct）。

发现：

指令多样性（设计不同句式（疑问句、命令句）和任务类型（描述、推理、创作））比数据量更重要。
数据质量比数量更重要。
包含推理步骤的指令，可以显著提升模型的性能。

如图所示描述任务的指令（相关范例）：
在这里插入图片描述

3、对齐微调（Alignment Tuning）

目标：减少幻觉（确保生成内容与输入模态一致（如不虚构图中未出现的物体）），使输出更符合人类偏好。（简介、安全，符合伦理）

方法：

RLHF：通过人类偏好数据训练奖励模型，再用PPO优化策略（如LLaVA-RLHF）。
DPO：直接优化偏好对（无需显式奖励模型）。

如图所示为三种典型学习范式的比较：
在这里插入图片描述

四、评估方法

4-1、闭集评估（Closed-set）

定义：在预定义任务和答案范围内测试模型性能，适用于标准化任务（如分类、问答）。
核心指标：

准确率（Accuracy）：直接匹配模型输出与标准答案（如ScienceQA数据集）。
CIDEr（Consensus-based Image Description Evaluation）：衡量生成文本与参考描述的语义相似性（常用于图像描述任务）。
BLEU-4：基于词重叠的机器翻译指标，适用于短文本生成（如VQA简短回答）。

4-2、开集评估（Open-set）

定义：评估模型在开放场景下的生成能力（如自由对话、创造性任务），答案不固定。
核心方法：

人工评分（Human Rating）：

评分维度：相关性、事实性、连贯性、多样性、安全性。
流程：标注员按1-5分对模型输出打分（如LLaVA的对话能力评估）。

GPT-4评分（GPT-as-a-Judge）：

方法：用GPT-4对模型输出评分（示例提示）：

Instruction: 请根据相关性（1-5分）和准确性（1-5分）评价以下回答：  
问题：<问题>  
模型回答：<回答>

优点：低成本、可扩展；缺点：依赖GPT-4的偏见和文本理解能力。

4-3、多模态幻觉评估

定义：检测模型生成内容与输入模态不一致的问题（如虚构图中未出现的对象）。
评估方法：

POPE（Polling-based Object Probing Evaluation）：

流程：生成多项选择题（如“图中是否有狗？”），统计模型回答的准确率。
指标：准确率、假阳性率（FP）。

CHAIR（Caption Hallucination Assessment with Image Relevance）：

步骤：

提取生成描述中的所有名词（如“猫、桌子”）。
检测这些名词是否在图像中存在（通过目标检测模型）。

指标：幻觉率（错误名词占比）。

FaithScore：

方法：将生成文本拆分为原子事实（如“猫是黑色的”），用视觉模型验证每个事实是否成立。
指标：原子事实准确率。

4-4、多模态综合能力评估

(1) 多维度基准测试

1、MME（Multimodal Evaluation Benchmark）：

涵盖能力：感知（物体计数、颜色识别）、认知（推理、常识）。
任务示例：

感知任务：“图中红色物体的数量？”
认知任务：“如果移除支撑杆，积木会倒塌吗？为什么？”

指标：综合得分（感知分 + 认知分）。

2、MMBench：

特点：覆盖20+任务类型（如OCR、时序推理），使用ChatGPT将开放答案匹配到预定义选项。
指标：准确率（标准化为0-100分）。

五、扩展方向与技术

多模态大语言模型的扩展方向主要集中在提升功能多样性、支持更复杂场景、优化技术效率以及拓展垂直领域应用。以下是具体分类与技术细节

5-1、模态支持扩展

一、输入模态扩展

1、3D点云（Point Cloud）

技术：将3D数据（如LiDAR扫描）编码为稀疏或密集特征。
案例：

PointLLM：通过投影网络将点云特征对齐到LLM的文本空间，支持问答（如“房间中有多少把椅子？”）。
3D-LLM：结合视觉和3D编码器，实现跨模态推理（如分析物体空间关系）。
挑战：3D数据的高维稀疏性、计算开销大。

2、传感器融合（Sensor Fusion）

技术：整合多种传感器数据（如热成像、IMU惯性测量）。
案例：

ImageBind-LLM：支持图像、音频、深度、热成像等多模态输入，通过统一编码器对齐特征。
应用：自动驾驶（融合摄像头、雷达、激光雷达数据）。

二、输出模态扩展

1、多模态生成：

技术：结合扩散模型（如Stable Diffusion）生成图像、音频或视频。
案例：

NExT-GPT：输入文本生成图像+音频，或输入视频生成文本描述+配乐。
Emu：通过视觉解码器生成高分辨率图像，支持多轮编辑（如“将图中的猫换成狗”）。
指标：生成质量（FID、CLIP Score）、跨模态一致性。

5-2、交互粒度扩展

一、细粒度输入控制
1、区域指定（Region-specific）：
技术：支持用户通过框选（Bounding Box）、点击（Point）指定图像区域。
案例：

Ferret：接受点、框或草图输入，回答与指定区域相关的问题（如“这个红框内的物体是什么？”）。
Shikra：输出回答时自动关联图像坐标（如“左侧的狗（坐标[20,50,100,200]在奔跑”）。

2、像素级理解（Pixel-level）：

技术：结合分割模型（如Segment Anything）实现掩码级交互。
案例：

LISA：通过文本指令生成物体掩码（如“分割出所有玻璃杯”）。

二、多轮动态交互

历史记忆增强：

技术：在对话中维护跨模态上下文缓存（如缓存前几轮的图像特征）。
案例：

Video-ChatGPT：支持多轮视频问答（如“第三秒出现的车辆是什么品牌？”）。

5-3、语言与文化扩展

一、多语言支持
低资源语言适配：

技术：通过翻译增强（Translate-Train）或跨语言迁移学习。
案例：

VisCPM：基于中英双语LLM，用英文多模态数据训练，通过少量中文数据微调实现中文支持。

挑战：缺乏非拉丁语系的图文对齐数据（如阿拉伯语、印地语）。

二、文化适应性
本地化内容生成：
技术：在指令数据中注入文化特定元素（如节日、习俗）。
案例：

Qwen-VL：支持生成符合中文文化背景的描述（如“端午节龙舟赛”）。

5-4、垂直领域扩展

一、医疗领域
技术：领域知识注入（如医学文献微调）、数据增强（合成病理图像）。
案例：

LLaVA-Med：支持胸部X光诊断问答（如“是否存在肺炎迹象？”），准确率超放射科住院医师平均水平。
挑战：数据隐私、伦理审查。

二、自动驾驶
技术：多传感器融合、实时性优化（如模型轻量化）。
案例：

DriveLLM：结合高精地图和摄像头数据，回答复杂驾驶场景问题（如“能否在此路口变道？”）。

三、工业检测
技术：高分辨率缺陷检测、小样本学习。
案例：

Industrial-VLM：通过文字提示定位产品缺陷（如“检测电路板上的虚焊点”）。

5-5、效率优化扩展

一、轻量化部署
技术：

模型压缩：量化（INT8）、知识蒸馏（如TinyLLaVA）。
硬件适配：针对移动端（如NPU）优化计算图。

案例：

MobileVLM：1.4B参数模型可在手机端实时运行，支持图像描述和简单问答。

二、混合专家（MoE）架构

技术：稀疏激活，仅调用部分专家模块处理输入。
案例：

MoE-LLaVA：在视觉问答任务中，MoE架构比同参数规模模型准确率提升5%-10%。

5-6、新兴技术融合

一、具身智能（Embodied AI）

技术：将MLLMs与机器人控制结合，实现“感知-推理-行动”闭环。
案例：

PALM-E：通过视觉-语言模型控制机械臂完成复杂操作（如“把红色积木放在蓝色盒子旁边”）。

二、增强现实（AR）

技术：实时多模态交互（如语音+手势+视觉）。
案例：

AR-LLM：在AR眼镜中叠加MLLM生成的实时导航提示（如“前方路口右转”）。

参考文章:
多模态模型综述文章
Github地址

注意： 原文内容较多，本文仅限部分内容笔记，建议直接阅读原文。

总结

好困，真的好困。🐑

目录

前言

一、 背景与核心概念