首个Mamba+Transformer混合架构多模态大模型来了，实现单卡千图推理

“纵有疾风来，人生不言弃”，这句话送给正在学习科技周边的朋友们，也希望在阅读本文《首个Mamba+Transformer混合架构多模态大模型来了，实现单卡千图推理》后，能够真的帮助到大家。我也会在后续的文章中，陆续更新科技周边相关的技术文章，有好的建议欢迎大家在评论留言，非常感谢！

本文作者来自于香港中文大学深圳和深圳大数据研究院。其中第一作者为香港中文大学深圳博士生王熙栋和研究助理宋定杰，主要研究方向分别为医疗AGI和多模态学习；博士生陈舒年研究方向为多模态学习，博士生张辰研究方向为高效语言模型。通讯作者为香港中文大学深圳数据科学学院王本友教授。

• 论文地址：https://arxiv.org/abs/2409.02889
• 项目地址：https://github.com/FreedomIntelligence/LongLLaVA

• 对于多模态架构，采用结合 Transformer 和 Mamba 的混合架构，并提出了一种高效图像表示方法，该方法对图像 Token 应用 2D 池化以降低计算成本同时保持性能。
• 对于数据构建，为不同的任务设计了独特的格式，使模型能够区分图像之间的时间和空间的依赖关系。
• 在训练策略方面，采用了一种三阶段的多模态自适应方法 —— 单图像对齐、单图像指令调整和多图像指令调整 —— 以逐步提升模型处理多模态长上下文的能力。

• 常规单图和多图输入：使用

  
  

  在多模态自适应方面，在 LLaVA 中 “单图像对齐” 和 “单图像指令微调” 阶段之后，团队引入了 “多图像指令微调” 阶段，逐步增强模型的多模态长上下文能力。采用渐进式训练不仅是为了更好地控制变量，也是为了增加模型的可重用性。具体的数据集使用情况如图 4 所示。

  
  

  第一阶段：单图像对齐。这一阶段是为了将视觉模态特征与文本模态进行对齐。团队使用了 ALLaVA-Caption 和 ShareGPT4V 等数据集，这些数据集包含大约 600K 个高质量的图像 - 字幕对。在此阶段，仅训练映射器，同时冻结视觉编码器和 LLM 的参数。

  
  

  第二阶段：单图像指令微调。这个阶段的目的是赋予模型多模态指令遵循能力。团队使用了 LLaVA-1.5 和 Manti-Single 等数据集，总共有约 932K 个高质量的问答对。在此过程中，只冻结了视觉编码器，而映射器和 LLM 部分进行训练。

  
  

  第三阶段：多图像指令微调。在这一阶段，模型被训练以在多模态长文本场景中遵循指令。团队分别从 Mantis、VideoChat2 和 ShareGPT4Video 中采样 200K、200K 和 50K 数据项。为了保留模型的单图像理解和纯文本对话能力，团队将来自单图像指令微调和纯文本指令微调阶段的额外 200K 和 50K 数据项作为 Replay 部分。此外，为了提高模型解释复杂单图像（分割成多个子图像）的能力，团队从单图像指令微调阶段采样 50K 条数据，进行填充和分割，将原始图像分割成尺寸为 336x336 的子图像作为 SubImage 部分。

  
  

  3. 评估结果

  
  

  3.1 主要结果

  
  

  如表 2 所示，LongLLaVA 在 MileBench 上表现出色，甚至超过了闭源模型Claude-3-Opus，尤其在检索任务方面表现出色。突显其在处理多图像任务方面的强大能力。

  

  
  

  LongLLaVA 在涉及中等至长视频的任务中表现出色，超越了传统的视频模型，如 Video-LLaMA2 和 VideoChat2。在取得了这些令人印象深刻结果的同时，LongLLaVA 的 FLOPs 比其他模型少一个数量级。

  
  

  3.2 长上下文大型语言模型的诊断评估

  
  

  考虑到以前的评估不能充分捕捉 MLLM 在长语境下的能力，团队采用了一个新的诊断评估集 VNBench，以进一步分析模型在长语境下的原子能力。VNBench 是一个基于合成视频生成的长上下文诊断任务框架，包括检索、排序和计数等任务。

  

  
  

  结果显示如表 3 所示，LongLLaVA 在跨语境检索、排序和技术能力等任务中的表现与领先的闭源模型相当，甚至在某些方面超过了 GPT-4V。在开源模型中，LongLLaVA 也展现出其卓越的性能。展示了 LongLLaVA 在管理和理解长上下文方面的先进能力。

  
  

  3.3 消融实验

  

  
  

  表 4 中显示，使用具有相同数据的混合 LLM 架构，在评估集中都观察到了显著的改进，证明了其在多模态场景中的潜力。对于 Token 压缩，选择了 2D 池化，这显著减少了计算负载，同时将性能下降控制在可接受范围内。与 1D 池化相比，2D 池化方法得到更好的结果。在数据构建方面，在训练团队的单图像数据后，模型在 SEEDBench 上的准确率提高了 1.5%，在 MileBench 上提高了 12.3%。随后的多图像训练使得 MileBench 上的准确率进一步提高了 7.4%，验证了数据集构建的有效性。

  
  

  4. 更多分析

  
  

  为了解 LongLLaVA 的内部工作原理和跨模态长文本处理能力，该团队进行了进一步分析。

  
  

  4.1 关于混合架构的动机

  

  
  

  团队探讨了不同架构在 ICL 能力和推理效率方面的优缺点，强调了混合架构的平衡优势。

  
  

  ICL 分析。团队评估了在 VL-ICL 基准测试中对多模态情境学习中匹配图像任务的性能。该任务的输入包含一个图像对，输出表示是否存在特定的关系。MLLM 需要从示例中学习关系。如表 5 所示，混合架构和 Transformer 架构随着示例数量的增加表现出快速的性能提升，而 Mamba 架构的提升较少，证实了其在情境学习方面的不足。

  
  

  效率分析。团队关注三个方面：预填充时间（首次推理延迟）、吞吐量（每秒生成的下一个 Token 数）和内存使用。团队将输入文本长度控制在 100K，并测量生成 1 个 Token 和 1000 个 Token 的输出所需的时间和最大内存使用。吞吐量计算为。为了更好地模拟实际应用场景，使用 vLLM 框架和 Int8 量化评估了 Transformer 和混合架构。如表 5 所示，Mamba 架构具有最快的预填充时间，最高的吞吐量。与具有相似推理参数的 Transformer 架构相比，混合架构实现了 2.5 倍的吞吐量，75% 的预填充时间，并减少了内存使用。

  
  

  4.2 图像数量的缩放定律

  
  

  随着可处理图像数量的增加，模型能够支持更多图像块以进行高分辨率图像理解，以及使用更多视频帧进行视频理解。为了探索增加子图像和视频帧数量的影响，团队分别在 V* Bench 和 Video-MME 基准测试上评估了 LongLLaVA。

  
  

  增加子图像数量。V* Bench 评估了一个模型在大型图像中定位小目标的能力。如图 5 所示，最初增加子图像的数量显著提高了模型性能，表明模型对图像细节的理解更好。然而，团队也发现，进一步增加子图像的数量略微降低了性能，这表明过多的子图像可能会干扰在此任务上的性能。

  

  
  

  
  

  增加帧数规模。视频多模态编码器是一个测试模型从视频中提取信息能力的基准。从图 6 中可以看到，随着采样帧数的增加，模型在基准测试中的性能显著提高，当提取 256 帧时达到峰值。这表明模型能够有效地理解和利用额外采样帧中包含的信息，以提供更好的响应。

  

  
  

  5. 进一步将图像数量扩大到 1000

  
  

  利用 LongVA 中提出的 V-NIAH 评估框架，团队进行了 “大海捞针” 测试来评估模型性能。考虑到模型的训练序列长度限制为 40,960 个 token，采用 token 池化技术将原始 token 数量从 144 个减少到 36 个。这种调整能够高效地从大量数据集中检索相关信息。如图 7 所示，模型在 1000 张图像集上实现了近 100% 的检索准确率，而无需额外的训练。

  
  

  

  
  

  然而，当增加测试图像数量超过 1,000 张时，团队观察到检索准确率下降。这种性能下降可能是因为超出了模型的训练序列长度，这可能会影响其保持更多图像准确性的能力。在未来的工作中团队将延长训练序列长度至 140,000 Token，即 LongLLaVA 进行单卡推理的极限长度，以进一步释放模型潜力。

  
  

  6. 结论

  
  

  LongLLaVA（长上下文大型语言和视觉助手）这一创新性混合架构模型，在长上下文多模态理解方面表现出色。该模型集成了 Mamba 和 Transformer 模块，利用多个图像之间的时空依赖性构建数据，并采用渐进式训练策略。

  
  

  LongLLaVA 在各种基准测试中表现出竞争性的性能，同时确保了效率，为长上下文多模态大型语言模型（MLLMs）设定了新的标准。

  好了，本文到此结束，带大家了解了《首个Mamba+Transformer混合架构多模态大模型来了，实现单卡千图推理》，希望本文对你有所帮助！关注golang学习网公众号，给大家分享更多科技周边知识！