谷歌多模态大模型PaLI研究神经网络-电子发烧友网

作者丨Xi Chen等

来源丨机器之心

编辑丨张倩

语言和视觉任务的建模中，更大的神经网络模型能获得更好的结果，几乎已经是共识。在语言方面，T5、GPT-3、Megatron-Turing、GLAM、Chinchilla 和 PaLM 等模型显示出了在大文本数据上训练大型 transformer 的明显优势。视觉方面，CNN、视觉 transformer 和其他模型都从大模型中取得了很好的结果。language-and-vision 建模也是类似的情况，如 SimVLM、Florence、CoCa、GIT、BEiT 和 Flamingo。

在这篇论文中，来自谷歌的研究者通过一个名为 PaLI （Pathways Language and Image）的模型来延续这一方向的研究。

PaLI 使用单独 “Image-and-text to text” 接口执行很多图像、语言以及 “图像 + 语言” 任务。PaLI 的关键结构之一是重复使用大型单模态 backbone 进行语言和视觉建模，以迁移现有能力并降低训练成本。

在语言方面，作者复用有 13B 参数的 mT5-XXL。mT5-XXL 已经把语言理解和泛化能力一体打包。作者通过实验证明这些功能可以维护并扩展到多模态情况。

在视觉方面，除复用 2B 参数 ViT-G 模型外，作者还训练了拥有 4B 参数的模型 ViT-e（“enormous”）。ViT-e 在图像任务上表现出很好的性能（ImageNet 上准确率达到 90.9％；ObjectNet 准确率达到 84.9%）。

作者发现了联合 scaling 视觉和语言组件的好处，视觉提供了更好的投入回报（每个参数 / FLOP 带来的准确度提升）。实验结果表明，最大的 PaLI 模型——PaLI-17B 在两种任务模式下表现相对平衡，ViT-e 模型约占总参数的 25％。而先前的大规模视觉和语言建模工作，情况并非总是如此（Wang 等人，2022a；Alayrac 等人，2022），因为视觉和语言 backbone 之间的先验量表并不匹配。

作者通过将多个图像和（或）语言任务转换为广义的类似 VQA 的任务，实现它们之间的知识共享。使用 “image+query to answer” 来构建所有任务，其中检索和回答都表示为文本标记。这使得 PaLI 能够使用跨任务的迁移学习，并在广泛的视觉和语言问题中增强 language-and-image 理解能力：图像描述、视觉问答、场景文本理解等（如图 1 所示）。

为了训练 PaLI-17B，作者构建了全新的大容量 image-and-language 数据集 WebLI，包含 10B 的图文对数据，WebLI 数据集包含 100 多种语言的文本。通过训练模型用多种语言执行多模态任务，这大大增加了任务的多样性，并测试了模型在跨任务和跨语言之间有效扩展的能力。作者也提供了数据卡来介绍有关 WebLI 及其构造的信息。

PaLI-17B 在多个 benchmark 上都达到了 SOTA，表现优于某些强大的模型（见表 1）。

具体来说，PaLI 在 COCO 数据集 benchmark 上的表现优于多数新旧模型，在 Karpaty 分割上的得分为 149.1。PaLI 在 VQAv2 上使用类似 Flamingo 的开放词汇文本生成的设置达到 84.3% 的最新 SOTA，该结果甚至优于在固定词汇分类环境中评估的模型，例如 CoCa、SimVLM、BEiT-3。作者的工作为未来的多模态模型提供了 scaling 路线图。Model scaling 对于多语言环境中的语言图像理解特别重要。作者的结果支持这样一个结论：与其他替代方案相比，scaling 每个模式的组件会产生更好的性能。

这篇文章在知乎上引发了一些讨论。有人感叹说，「刚要汇报 beit3，随便一刷知乎，又被超了」（引自知乎用户 @走遍山水路）。还有人认为，论震撼程度，PaLI 比不上 BEiT-3，「毕竟 model scaling 这事大家已经比较麻了」。但「谷歌把这个大家伙做出来了，还达到了一系列新 SOTA，并且零样本都已经做得很突出，还是非常令人敬佩」（引自知乎用户 @霜清老人）。

以下是论文细节。

模型架构

作者使用 PaLI 的目的是执行单模态（语言、视觉）和多模态（语言和视觉）任务。这些任务中的许多任务最好由不同的模型处理。如图像分类及许多 VQA 需要从固定集合中预测元素，而 language-only 任务和图像描述需要开放词汇文本生成。作者通过使用所有任务所需的通用接口来解决该问题：模型接受图像和文本字符串作为输入，并生成文本作为输出。在预训练和微调时使用相同的接口。由于所有任务都使用相同的模型执行，即没有任务特定的参数，因此使用基于文本的提示指导模型需要执行的任务。

图 2 展示了模型架构的高阶示意图。其核心是一个文本 encoder-decoder transformer。为了将视觉作为输入，向文本编码器提供视觉“tokens”：视觉 transformer 将图像作为输入，并输出相关特征。通过交叉注意力将视觉 token 传递到 encoder-decoder 模型之前，不会将池化应用于视觉 transformer 的输出。