大規(guī)模多模態(tài)模型訓(xùn)練細(xì)節(jié)～

原標(biāo)題：LLM+Diffusion方案是否值得持續(xù)投入？生成+理解一體多模態(tài)大模型的思考
文章來源：智猩猩GenAI
內(nèi)容字?jǐn)?shù)：2816字

2024中國生成式AI大會(huì)（上海站）預(yù)告

根據(jù)大會(huì)預(yù)告，2024中國生成式AI大會(huì)將于12月5日至6日在上海舉辦。本次大會(huì)由智猩猩共同主辦，許多知名嘉賓已確認(rèn)參會(huì)演講，包括北大（臨港）大模型對(duì)齊中心執(zhí)行主任徐驊，騰訊優(yōu)圖實(shí)驗(yàn)室負(fù)責(zé)人吳賢等30+位專家。歡迎感興趣的朋友報(bào)名參加。

多模態(tài)大模型方案概述

當(dāng)前的多模態(tài)大模型主要分為以下幾種方案：

1. 以語言模型為核心：
   • Emu3：支持視頻、圖像和文本任務(wù)，采用純自回歸（AR）損失。
   • Chameleon：專注于圖像和文本任務(wù)，同樣使用純AR損失。
   • Show-o：圖像部分使用雙向注意力，文字部分為AR損失。
   • Janus：結(jié)合兩種視覺編碼器，文本和圖像均為純AR損失。
2. 語言模型+擴(kuò)散模型：
   • TransFusion：文字部分使用AR損失，圖像部分使用DDPM損失。
   • JanusFlow：文字部分AR損失，圖像部分使用RF損失。

共性結(jié)論與未來方向

不同方案的共性結(jié)論如下：

1. 以LLM為核心的架構(gòu)在訓(xùn)練和推理階段易于擴(kuò)展，但效果尚未達(dá)到頂尖水平。
2. 在模型尺寸相當(dāng)?shù)那闆r下，加入擴(kuò)散模型的視覺生成效果優(yōu)于純LLM架構(gòu)。
3. 視覺編碼器的發(fā)展仍然主要分為理解與生成兩類，且在各自任務(wù)上表現(xiàn)優(yōu)異。

大規(guī)模多模態(tài)模型的訓(xùn)練細(xì)節(jié)

關(guān)于大規(guī)模多模態(tài)模型的訓(xùn)練，以下是一些關(guān)鍵細(xì)節(jié)：

1. Chameleon在從零開始訓(xùn)練中分享了多項(xiàng)穩(wěn)定。
2. Emu3分享了預(yù)訓(xùn)練、后訓(xùn)練及DPO的一些細(xì)節(jié)。
3. Janus系列文章探討了訓(xùn)練框架和效率提升的方法。

未來研究方向

未來的研究方向包括：

1. 如何統(tǒng)一生成與理解的視覺編碼器，并在大規(guī)模多模態(tài)模型上實(shí)現(xiàn)有效應(yīng)用。
2. 視覺生成與理解任務(wù)在基礎(chǔ)模型層面如何統(tǒng)一，以及相應(yīng)的代理任務(wù)和損失設(shè)計(jì)。
3. LLM與擴(kuò)散模型結(jié)合的長期投資價(jià)值，尤其是在解決誤差累積問題上。

總結(jié)來看，2024中國生成式AI大會(huì)將為與會(huì)者提供豐富的技術(shù)共享與討論平臺(tái)，期待更多研究者和技術(shù)人員的參與與交流。

聯(lián)系作者

文章來源：智猩猩GenAI
作者微信：
作者簡介：智猩猩旗下矩陣賬號(hào)之一，聚焦大模型開啟的通用人工智能浪潮。