开源多模态大模型哪家强？TOP12榜单来了，GitHub揽获2.2k+星
首篇MLLM综述也来了
整理自 Happy
量子位 | 公众号 QbitAI
GPT-4的爆火，彻底掀起了学术界对于多模态大模型的研究热潮。
不过，这类模型的性能究竟要如何衡量，业界却一直众说纷纭，没有一个覆盖面足够广泛的评价标准。
此外，也还没有一篇完整综述对其进行定义和研究。
考虑到这一点，腾讯优图分别联合中国科学技术大学以及厦门大学，一连发布了两篇关于多模态大模型的论文。
这里面不仅有首篇多模态大模型综述——
还有一个全面的评测榜单！
相关项目在GitHub上爆火，截至7月3号已经揽获2200+星。
那么，当前业界最好用的多模态大模型究竟有哪些？它的定义、关键技术、优势和存在的挑战又是什么？
我们一起来看看。
多模态大模型TOP12排行
研究人员一共设置了16个榜单，包括了两个总榜单和14个子任务。
总榜单可以看做是模型“整体能力”的评分，分为感知类和认知类，14个子任务则是其中的一些细分小任务，可以评测多模态大模型是不是更擅长做某件事。
研究人员一共挑选了12个开源多模态大模型，给评测标准做个“示范”。
感知类总榜单，是将各项感知任务综合起来的总评分，显示是BLIP-2最高：
认知类总榜单，则是各种涉及认知类任务的榜单，加起来是MiniGPT-4最高：
评测结果发现，BLIP-2和InstructBLIP在这两个榜单中都保持在前三，属实是当前开源多模态大模型的“顶流玩家”了。
具体到14个子任务上，模型的排名又有所不同。
评测结果具体如下，谁更“偏科”、谁更能在各种任务上做到综合性最优，可以说是一目了然：
所以，这个榜单的评分结果究竟是如何得出的呢？
评分标准如何得出
论文认为，一个好的多模态大模型评分标准，应该具备以下四大特性：
（1）应该覆盖尽可能多的范围，包括感知和认知能力（感知是认知的基础）。
其中，前者指的是识别物体，包括其存在性、数量、位置和颜色等；后者指的是基于综合感知信息以及LLM中的知识来进行更复杂的推理，包括包括常识推理、数值计算、文本翻译和代码推理等任务。
（2）它的数据或者标注应该尽可能避免采用已有的公开数据集，以减少数据泄露的风险。
因此，评测中所有的指令-答案对都应该是人工构建的，对于少量使用到的公开数据集，仅使用其图像而没有依赖其原始标注。同时，尽力通过人工拍摄和图像生成的方式来采集数据。
（3）指令设计应该尽可能简洁，并且符合人类的认知习惯。
不同的指令设计可能会极大影响模型的输出，但所有的模型都在统一的简洁指令下进行评测可以保证公平性。一个好的多模态大模型应该具备泛化到这种简洁指令上的能力，避免陷入提示工程。
（4）多模态大模型在该简洁指令下的输出应该是直观的、并且便于定量统计。
多模态大模型开放式的回答给量化统计提出了很大挑战。现有方法倾向于使用GPT或者人工打分，但可能面临着不准确和主观性的问题。
因此，在经过制作后，最后的评测问题大约长这样：
随后， 根据模型回答的准确性来进行判分。
值得一提的是，作者们也尝试过设计选择题的指令，但发现当前的多模态大模型还难以跟随这类较为复杂的指令。（doge）
首篇多模态大模型综述
当然，这个榜单的评测标准并非“空穴来风”。
要想知道为什么榜单这样评分，可以去看看另一篇关于多模态大模型的论文综述，后者仔细整理了它的定义、关键技术和挑战。
具体来说，论文将多模态大模型（MLLM）定义为“由LLM扩展而来的具有接收与推理多模态信息能力的模型”。
这类模型相较于热门的单模态LLM，具有以下优势：
- 更符合人类认知世界的习惯。人类具有多种感官来接受多种模态信息，这些信息通常是互为补充、协同作用的。因此，使用多模态信息一般可以更好地认知与完成任务。
- 更加强大与用户友好的接口。通过支持多模态输入，用户可以通过更加灵活的方式输入与传达信息。
- 更广泛的任务支持。LLM通常只能完成纯文本相关的任务，而MLLM通过多模态可以额外完成更多任务，如图片描述和视觉知识问答等。
因此，要想研究这类多模态大模型，往往需要掌握三个关键技术：
1、多模态指令微调（Multimodal Instruction Tuning, M-IT）
2、多模态上下文学习（Multimodal In-Context Learning, M-ICL）
3、多模态思维链（Multimodal Chain of Thought, M-CoT）
除此之外，还需要针对它的一个应用进行研究（以 LLM 为核心的多模态系统），即LLM辅助的视觉推理（LLM-Aided Visual Reasoning, LAVR）。
不过，目前多模态大模型还处于起步阶段，因此也存在一些挑战，如感知能力受限、推理链较为脆弱、指令服从能力需要进一步提升以及物体幻视问题普遍存在等。
更多综述细节和榜单详情，可以戳论文查看~
多模态大模型榜单：
https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models/tree/Evaluation
论文地址：
[1]综述：https://arxiv.org/abs/2306.13549
[2]评测：https://arxiv.org/abs/2306.13394
- 首个GPT-4驱动的人形机器人！无需编程+零样本学习，还可根据口头反馈调整行为2023-12-13
- IDC霍锦洁：AI PC将颠覆性变革PC产业2023-12-08
- AI视觉字谜爆火！梦露转180°秒变爱因斯坦，英伟达高级AI科学家：近期最酷的扩散模型2023-12-03
- 苹果大模型最大动作：开源M芯专用ML框架，能跑70亿大模型2023-12-07
相关阅读
