當前學界和工業(yè)界都對多模態(tài)大模型研究熱情高漲。去年，谷歌的 Deepmind 發(fā)布了多模態(tài)視覺語言模型 Flamingo ，它使用單一視覺語言模型處理多項任務，在多模態(tài)大模型領域保持較高熱度。Flamingo 具備強大的多模態(tài)上下文少樣本學習能力。

Flamingo 走的技術路線是將大語言模型與一個預訓練視覺編碼器結(jié)合，并插入可學習的層來捕捉跨模態(tài)依賴，其采用圖文對、圖文交錯文檔、視頻文本對組成的多模態(tài)數(shù)據(jù)訓練，在少樣本上下文學習方面表現(xiàn)出強大能力。但是，F(xiàn)lamingo 在訓練時只使用預測下一個文本單詞作為目標，并沒有對視覺部分施加專門的監(jiān)督信號，直接導致了在推理階段，其只能支持以文本作為輸出的多模態(tài)任務，大大限制了模型的能力以及應用場景。

Flamingo 目前并沒有開源，今年 3 月，非盈利機構(gòu) LAION 開源了 Flamingo 模型的復現(xiàn)版本 OpenFlamingo。

近日，智源研究院「悟道?視界」研究團隊提出了一種新的多模態(tài)大模型訓練范式，發(fā)布并開源了首個打通從多模態(tài)輸入到多模態(tài)輸出的「全能高手」，統(tǒng)一多模態(tài)預訓練模型 Emu 。

Emu 模型創(chuàng)造性地建立了統(tǒng)一的多模態(tài)預訓練框架，即將圖文對、圖文交錯文檔、視頻、視頻文本對等海量形式各異的多模態(tài)數(shù)據(jù)統(tǒng)一成圖文交錯序列的格式，并在統(tǒng)一的學習目標下進行訓練，即預測序列中的下一個元素 (所有元素，包含文本 token 和圖像 embedding)。此外，Emu 首次提出使用大量采用視頻作為圖文交錯數(shù)據(jù)源，視頻數(shù)據(jù)相比于 Common Crawl 上的圖文交錯文檔，視覺信號更加稠密，且圖像與文本之間的關聯(lián)也更加緊密，更加適合作為圖文交錯數(shù)據(jù)去激發(fā)模型的多模態(tài)上下文學習能力。

論文結(jié)果顯示，Emu 超越了此前 DeepMind 的多模態(tài)大模型 Flamingo，刷新 8 項性能指標。

除以文本作為輸出的任務指標之外，Emu 模型具有更加通用的功能，能夠同時完成以圖片作為輸出的任務，如文生圖；且具備很多新型能力，如多模態(tài)上下文圖像生成。Emu 的能力覆蓋圖像與文本的生成及視頻理解。

• 論文鏈接：https://arxiv.org/pdf/2307.05222.pdf

• 模型鏈接：https://github.com/baaivision/Emu

• Demo 鏈接：https://emu.ssi.plus/

作為一種通用界面，Emu 可用于多種視覺、語言應用

超越 Flamingo、Kosmos，8 項基準測試表現(xiàn)優(yōu)異

在 8 個涵蓋多模態(tài)圖像 / 視頻和語言任務的基準測試中，Emu 均有不俗表現(xiàn)，對比來自 DeepMind 的 Flamingo 與來自微軟的 Kosmos 亦有所超越。

Emu 在眾多常用測試基準上表現(xiàn)出極強的零樣本性能，展現(xiàn)了模型在遇到未知任務時強大的泛化能力。其中，Emu 在圖像描述 COCO Caption 的 CIDEr 得分為 112.4，且模型對圖片的描述中包含豐富的世界知識。此外，Emu 在圖像問答 VQAv2 和視頻問答 MSRVTT 數(shù)據(jù)集上也展現(xiàn)了強勁的視覺問答功能。

同時，Emu 具備強大的少樣本上下文學習能力，即對于給定任務提供幾個示例樣本，模型可以進行上下文學習從而更好地完成任務。Emu 在視覺問答數(shù)據(jù)集 VQAv2、VizWiz、MSRVTTQA 上的少樣本上下文學習表現(xiàn)突出。

全能高手：在多模態(tài)序列中進行「圖文任意模態(tài)生成」

Emu 模型能力覆蓋圖像與文本的生成及視頻理解， 相比其他多模態(tài)模型更具通用性，能完成任意圖生文以及文生圖的多模態(tài)任務。例如，精準圖像認知、少樣本圖文推理、視頻問答、文圖生成、上下文圖像生成、圖像融合、多模態(tài)多輪對話等。

Emu 是一個基于 Transformer 的多模態(tài)基礎模型，可以接受并處理形式各異的多模態(tài)數(shù)據(jù)，輸出指定的多模態(tài)數(shù)據(jù)。Emu 將圖文對、圖文交錯文檔、視頻、視頻文本對等形式各異的海量多模態(tài)數(shù)據(jù)統(tǒng)一成圖文交錯序列的格式，并在統(tǒng)一的學習目標下進行訓練，即預測序列中的下一個元素 (所有元素，包含文本 token 和圖像 embedding)。訓練完成后，Emu 能對任意形式的多模態(tài)上下文序列進行多模態(tài)補全，對圖像、文本和視頻等多種模態(tài)的數(shù)據(jù)進行感知、推理和生成。

視頻理解、多模態(tài)上下文生成、多模態(tài)對話是 Emu 模型的技術亮點。

Emu 模型具有強大的視頻理解能力，如在下圖演示中，針對下面 “視頻中的女主人公在干什么” 這一問題，Emu 模型給出了具有精準事實細節(jié)（蘋果 VR 設備）、連貫動作描述（坐在飛機上并使用 VR 設備）、合理行動猜測（可能在看一段視頻或 360 度視角的飛機外景象）的豐富回答。

Emu 不只能理解視頻信息，還能做到對視頻中時序信息的精細理解。例如下圖展示的奶昔制作視頻，Emu 分步且完整地描述了奶昔制作步驟。

Emu 新增了圖像融合能力，可以對輸入的圖像進行創(chuàng)造性地融合，并生成新的圖片。例如下圖最后一行，將兩幅世界名畫作為輸入，Emu 可以生成風格、元素類似的全新畫作：

上下文圖像生成也是一項全新的功能，Emu 可以將輸入的文本 - 圖片對作為 prompt，結(jié)合上下文信息進行圖片生成。例如在下圖第一行，輸入兩張圖片，并輸入文本指令讓 Emu 生成以圖 1 的動物為中心，但以圖 2 為風格的圖片。依賴于強大的多模態(tài)上下文生成能力，Emu 可以完成相應的指令。下圖的第二行展示了如果在 “文生圖” 時提供了 context，Emu 會結(jié)合 context 的風格，生成油畫風格的圖片，而相同的文本在無 context 的情況下進行 “文生圖” 只會生成現(xiàn)實風格的圖片：

圖像生成方面，Emu 可以根據(jù)給定的文本生成多幅語義相關的圖像：

Emu 可根據(jù)一張或者多張圖或視頻進行問答和多輪對話。如下第一張圖所示，給出一張景點圖并詢問旅游注意事項，Emu 給出了 5 個要點，其中再就第 5 個要點 “ safety equipment” 提問時，Emu 能夠針對這一點進行更加詳細地闡述。最后，Emu 還可以根據(jù)圖片作詩。

Emu 還有一項突出的能力是它的世界知識更豐富。如下圖所示，給出兩張動物的圖，詢問這兩張圖的區(qū)別，Emu 可以準確描述動物的名稱及分布地：

Emu 模型可以準確識別畫作，例如下圖輸入莫奈的《日出?印象》這幅作品， Emu 不僅準確回答出了作品的名字，描述了畫面信息，還給出了很多背景知識，例如這是著名印象派風格的作品。而 mPLUG-Owl 、LLaVA 并不知道畫作的名稱，只是簡單描述了畫中場景。InstructBLIP 給出了作品名稱和描述，但在背景知識上略遜于 Emu。

再看下圖，給出阿加莎?克里斯蒂的肖像，問題是 “說出這位女性寫的 8 本書并推薦一本給我”，Emu 正確理解了這個問題，識別出作者并列出其 8 個作品，并從中挑選了偉大的代表作推薦。LLaVA 人物識別準確，只部分理解了題意，給出推薦作品，但并沒有給出 8 個代表作。mPLUG-Owl 識別出了人物 ，也是部分理解了問題，只給出了 4 部作品和一句話簡介。InstructBLIP 則給出了一個錯誤答案。

首次大量采用視頻數(shù)據(jù)，創(chuàng)新性建立統(tǒng)一的多模態(tài)學習框架

現(xiàn)有多模態(tài)領域的研究工作常將大語言模型與預訓練視覺編碼器連接來構(gòu)建多模態(tài)大模型（LMM）。盡管現(xiàn)有的 LMMs 很有效，但主要以預測下一個文本 token 作為訓練目標，而對視覺模態(tài)缺乏監(jiān)督。這樣的訓練目標也限制了模型在推理應用時只能輸出文本回復，而不具有生成圖片回復的能力。

此外，數(shù)據(jù)直接影響到模型的搭建，視頻數(shù)據(jù)愈來愈成為圖像信息時代的主要信息形態(tài)。帶有交錯圖像字幕的視頻數(shù)據(jù)，相比于圖文交錯文檔，天然包含更密集的視覺信號，且與文本編碼有更強的跨模態(tài)關聯(lián)性。而現(xiàn)有工作主要利用圖像 - 文本對及圖文文檔進行訓練，對視頻數(shù)據(jù)有所忽略。

如何把海量多模態(tài)數(shù)據(jù)包括視頻數(shù)據(jù)納入一個更加「統(tǒng)一」的多模態(tài)學習框架，從而提升多模態(tài)大模型的通用性，智源視覺團隊解決了幾個重要問題：

• 對不同來源的多模態(tài)交錯數(shù)據(jù)進行處理，以自動回歸的方式統(tǒng)一建模。

智源視覺團隊采用的多模態(tài)交錯數(shù)據(jù)具體包括圖像 - 文本對 (LAION-2B、LAION-COCO)、交錯圖像 - 文本數(shù)據(jù) (MMC4)、視頻 - 文本對 (Webvid-10M) 和交錯視頻 - 文本數(shù)據(jù) (YT-Storyboard-1B），將視覺表征與文本序列共同構(gòu)成多模態(tài)序列，并進行統(tǒng)一的自回歸建模。

Emu 以自動回歸的方式統(tǒng)一了不同模態(tài)的建模

• 特別地，Emu 首次采用了海量視頻作為圖文交錯序列數(shù)據(jù)。

視頻訓練數(shù)據(jù)源自研究團隊從 YouTube 上收集的 1800 萬個視頻（非原始視頻，故事板圖像）及其相應的字幕，二者結(jié)合創(chuàng)造了一個按時間戳順序排序的視頻和文本的自然交錯序列。

交錯的視頻 - 文本數(shù)據(jù)

• 預測多模態(tài)序列的下一個元素。

模型訓練方面，Emu 將自回歸地預測多模態(tài)序列中的下一個元素（既包含文本也包含圖像）作為統(tǒng)一的學習目標進行預訓練。在這種不同形式的數(shù)據(jù)、統(tǒng)一形式的目標下完成訓練后。Emu 便成為了一個 “通才” 模型，可以輕松應對各種多模態(tài)任務，包括圖生文以及文生圖。