VisCPM：迈向多语言多模态大模型时代

随着 GPT-4 和 Stable Diffusion 等模型多模态能力的突飞猛进，多模态大模型已经成为大模型迈向通用人工智能（AGI）目标的下一个前沿焦点。总体而言，面向图像和文本的多模态生成能力可以大致分为两类：

1. 在图生文（image-to-text generation）方面，以 GPT-4 为代表的多模态大模型，可以面向图像进行开放域对话和深度推理；

2. 在文生图（text-to-image generation）方面，以 Stable Diffusion 为代表的多模态模型，可以根据文本生成图像内容。由这些多模态模型掀起的 AIGC 浪潮，广泛而深刻地改变着学术界和工业界的思想实践。

然而，目前多模态大模型的成功很大程度上局限于英文世界，而中文等其他非英语语言的多模态能力明显落后。这是因为相比于英文世界，中文等其他非英语语言的多模态数据严重稀缺，难以满足多模态大模型对大规模高质量图文对数据的需求。这些问题使得多语言多模态大模型的构建极具挑战性。

为了解决上述挑战，我们提出使用高资源语言（如英语）作为桥接图像信号和低资源语言（如中文）的桥梁，实现多语言多模态大模型能力的快速泛化，从而缓解对低资源语言下模态对齐数据（图文对数据）的依赖。

通过类比人类的学习过程，我们可以直观地理解该方法：人类学习者可以仅通过母语与视觉信号的对应关系，以及母语与不同语言之间的对应关系，自然地建立起不同语言下对视觉信号的统一认知。这是由于不同的自然语言符号系统，很大程度上都是以描述相同的客观世界为驱动力演化发展而来的，这为多语言多模态能力的快速泛化提供了基础。

为了验证上述方法，我们以中英双语的多模态大模型为例，构建了 VisCPM 系列模型，建立中英双语的多模态对话能力（VisCPM-Chat 模型）和文到图生成能力（VisCPM-Paint 模型）。

在多语言对齐方面，我们选用百亿参数量的 CPM-Bee 10B 作为基底语言模型。该模型优秀的中英双语能力，提供了多语言对齐的基础。在多模态对齐方面，我们为CPM-Bee分别融合视觉编码器（Q-Former）和视觉解码器（Diffusion-UNet）以支持视觉信号的输入和输出。得益于 CPM-Bee 基座优秀的双语能力，VisCPM 可以仅通过英文多模态数据预训练，泛化实现优秀的中文多模态能力。

中英双语多模态对话模型VisCPM-Chat

VisCPM-Chat 模型使用 Q-Former 作为视觉编码器，使用 CPM-Bee（10B）作为语言基座模型，并通过语言建模训练目标融合视觉和语言模型。模型训练包括预训练和指令精调两阶段：

• 预训练：我们使用约 100M 高质量英文图文对数据对 VisCPM-Chat 进行了预训练，数据包括 CC3M、CC12M、COCO、Visual Genome、LAION 等。在预训练阶段，语言模型参数保持固定，仅更新Q-Former部分参数，以支持大规模视觉-语言表示的高效对齐。

• 指令精调：我们采用 LLaVA-150K 英文指令精调数据，并混合相应翻译后的中文数据对模型进行指令精调，以对齐模型多模态基础能力和用户使用意图。在指令精调阶段，我们更新全部模型参数，以提升指令精调数据的利用效率。有趣的是，我们发现即使仅采用英文指令数据进行指令精调，模型也可以理解中文问题，但仅能用英文回答。这表明模型的多语言多模态能力已经得到良好的泛化。在指令精调阶段进一步加入少量中文翻译数据，可以将模型回复语言和用户问题语言对齐。

我们在 LLaVA 标准英文测试集和翻译的中文测试集对模型进行了评测，该评测基准考察模型在开放域对话、图像细节描述、复杂推理方面的表现，并使用 GPT-4 进行打分。可以观察到，在不使用任何中文图文对预训练数据的情况下，VisCPM-Chat 在中文多模态能力方面取得了最佳的平均性能，在通用域对话和复杂推理表现出色，同时也表现出了不错的英文多模态能力。

在上述平衡的中英双语能力（VisCPM-Chat-balance）基础上，我们在预训练阶段额外加入 20M 清洗后的原生中文图文对数据和 120M 翻译到中文的图文对数据，可以实现中文多模态能力的进一步强化（VisCPM-Chat-zhplus）。

VisCPM-Chat 表现出令人印象深刻的图像理解能力，并能够在对话中运用世界知识和常识知识。例如在下图中，VisCPM 能够识别染色的地图和人像，并正确理解出染色代表的不同含义。除此之外，VisCPM-Chat 还具有不错的中文特色能力，比如能用李白的诗描绘黄河的景象并作解读，在面对中秋月夜时还能用苏轼的《水调歌头》借景抒情。

中英双语文生图模型VisCPM-Paint

VisCPM-Paint 使用 CPM-Bee（10B）作为文本编码器，使用 UNet 作为图像解码器，并通过扩散模型训练目标融合语言和视觉模型。在训练过程中，语言模型参数始终保持固定。我们使用 Stable Diffusion 2.1 的 UNet 参数初始化视觉解码器，并通过逐步解冻其中关键的桥接参数将其与语言模型融合。该模型在 LAION 2B 英文图文对数据上进行了训练。

我们在标准图像生成测试集 MSCOCO 上采样了 3 万张图片，计算了常用评估图像生成指标 FID（Fréchet Inception Distance）评估生成图片的质量。与 VisCPM 类似，我们发现得益于 CPM-Bee 的双语能力，VisCPM-Paint 可以仅通过英文图文对训练，泛化实现良好的中文文到图生成能力，达到中文开源模型的最佳效果。在中英平衡能力（VisCPM-Paint-balance）的基础上，通过进一步加入 20M 清洗后的原生中文图文对数据，以及 120M 翻译到中文的图文对数据，模型的中文文到图生成能力可以获得进一步提升（VisCPM-Paint-zhplus）。

VisCPM-Paint 模型中分别输入“海上生明月，天涯共此时，唯美风格，抽象风格”和“人闲桂花落，月静春山空”两条 prompts，生成了以下两张图片。可以看出，VisCPM-Paint 对中国特色意向也有较好的把握能力。

为了推动多模态大模型开源社区和相关研究领域的发展，我们将 VisCPM 系列的所有模型免费开源（https://github.com/OpenBMB/VisCPM），欢迎个人和研究用途自由使用。未来我们也会将 VisCPM 整合到 huggingface代码框架中，以及陆续完善安全模型、 支持快速网页部署、 支持模型量化功能、支持模型微调等功能，欢迎持续关注。

· ·

---

原文标题：VisCPM：迈向多语言多模态大模型时代

文章出处：【微信公众号：智能感知与物联网技术研究所】欢迎添加关注！文章转载请注明出处。