基于图文多模态领域典型任务

图文多模态领域典型任务如img-text retrieval、VQA、captioning、grounding等，目前的学术设定难度尚可。但是， 一旦知识范围扩展，到了open-ended scenario，任务难度立刻剧增 。但是DeepMind的Flamingo模型在这些挑战场景中使用同一个模型便做到了。当时看到论文中的这些例子，十分惊讶！

可以看到，Flamingo模型不仅可以做到open-ended captioning、VQA等，甚至可以计数、算数。其中很多额外的知识，比如火烈鸟的发源地等知识，对于单模态的语言模型如GPT-3、T5、Chinchilla等可以说是难度不大。

但是对于传统的多模态模型而言，很难通过传统的img-text pair学到如此广阔的外部知识，因为很多知识是蕴含在基于文本的单模态中的（如维基百科） 。所以，DeepMind在多模态领域的发力点就在 站人语言模型的巨人肩膀上，冻住超大规模训练的语言模型，将多模态模型设计向NLP大模型靠拢。

Frozen

要介绍Flamingo模型，不得不先介绍DeepMind在NeurIPS 2021发表的前作Frozen。Frozen模型十分简单，作者使用一个预训练好的语言模型，并且完全冻结参数，只训练visual encoder。

模型结构：其中LM模型是在C4数据上训练的包含7B参数的transformer结构，visual encoder是NF-ResNet50。训练数据：训练时只采用了CC3M数据集，包含300万img-text pair，预训练数据量不大。Frozen框架如下。其中视觉特征可以看作是LM模型的prompt，冻结的语言模型就在视觉特征的“提示”下，做出应答。

Frozen模型结构

可以看到，通过一些img-text pair的约束，unfrozen的visual encoder是朝着frozen LM靠拢和对齐的。该算法在预训练时只使用了captioning语料CC3M，并且知识的丰富度也有限。那么，Frozen模型能做什么呢？

Frozen模型在下游场景的应用

虽然由caption数据（CC3M）训练，它竟然可以做VQA甚至基于知识的VQA，比如上图，你告诉它飞机是莱特兄弟发明的，它就能类比出苹果手机是乔布斯创造的。很显然， 这种外部知识肯定不是CC3M中有限的img-text pair能够给予的，无非是来源于从始至终未参与训练、冻结的LM模型 。接下来作者做了一系列实验，可以看到，其实Frozen距离SOTA模型仍十分遥远。

Frozen实验结果

可以看到，Frozen模型距离VQA和OKVQA数据集上的SOTA算法仍有十分巨大的gap。

几个有意思的现象：

如果模型看不到图片（blind模型）,只依赖于LM模型，效果尚可，但是明显低于看得见图片的模型。 说明Frozen确实对img-text模态进行了对齐，学习到了如何参考图片信息再做出应答 ；

few-shot甚至zero-shot就可以达到还不错的性能；

end-to-end finetune LM模型效果会下降，说明由大量单模态训练出的LM模型参数很容易被少量的img-text数据破坏掉。证明了本文观点，LM模型需要Frozen才能保留文本信息学到的知识!

Flamingo

介绍完了Frozen，那么DeepMind团队再接再厉，创造效果惊艳的Flamingo模型就顺理成章了。相比于Frozen，Flamingo模型的几点改进：

更强的LM模型： 70B参数的语言模型Chinchilla；

更多的可训练参数： visual encoder这次也冻结了，但是图片特征采样模型可以训练，更重要的是LM模型的各层中也嵌入了可学习的参数，可训练参数总量高达10B；

更恐怖的训练数据：不仅加入了ALIGN算法的18亿img-text pair，数百万的video-text pair。此外，还有大量的不匹配的图文信息，来源于MultiModal MassiveWeb (M3W) dataset，其中图片数量上亿，文本大概有182 GB。可以使用unpaired img-text数据进行训练也是Flamingo模型的一大亮点。总而言之，它的数据量十分恐怖，已经远远超过目前业界的多模态算法比如CLIP、ALIGN、SimVLM、BLIP等。

下面看看Flamingo的模型结构：

Flamingo模型结构

可以看到， 不同于Frozen，这一次visual encoder也是冻结的。参数可以学习的就两部分，一个是Perceiver Resampler，一个是嵌入在LM模型中的Gated Block。Perceiver Resampler结构如下：

Perceiver Resampler结构

Perceiver Resampler结构一目了然，一些可学习的embedding作为query，然后图片特征或者时续的视频特征attend到query上，作为最后的输出。

gated xattn-dense结构

嵌入在LM模型中的gated xattn-dense的结构同样一目了然，使用文本信息作为query去aggregate视觉信息。其中text embedding作为query，visual embedding作为key和value。类比于transformer结构，唯一小的差别就是cross-attention和FFN之后额外加了一个gate。

介绍完了Flamingo的模型结构，简单看看它的爆表性能吧，可以说，下游场景中只用few-shot的情况下做到这种程度，让人惊讶...... 在一些答案集合固定的任务中，比如传统的VQAv2中优势不明显， 但是open-ended的knowledge-based VQA任务中，比如OKVQA，只用few-shot就可以刷新当前SOTA 。 在盲人场景的VizWiz以及OCR信息特别多的TextVQA等任务中，效果同样可圈可点。一些基于视频的QA比如NextQA和iVQA效果同样刷新当前最好性能......

如果Flamingo不使用few-shot模式，而进行fine-tune模式，论文中显示，同样可以刷新不少业界SOTA指标，这里就不列举了。最后再列出几个让人惊叹的示例结束本文，准备再去好好研究一番论文细节。

多模态描述，多模态问答，多模态对话，多模态推荐……以前很多人觉得很遥远，但是近年来进展飞速，距离实际场景的gap也在逐步缩小，未来可期～

审核编辑：彭静