来源：机器之心
纯文本大模型方兴未艾，多模态领域也开始涌现出多模态大模型工作，地表最强的GPT-4具备读图的多模态能力，但是迟迟未向公众开放体验，于是乎研究社区开始在这个方向上发力研究并开源。MiniGPT-4和LLaVA问世不久，阿里达摩院便推出mPLUG-Owl，一个基于模块化实现的多模态大模型。
今天要介绍的是mPLUG-Owl，该工作不仅通过大量cases展示出优秀的多模态能力，还第一次针对视觉相关的指令理解提出一个全?的测试集OwlEval，通过人工评测对比了已有模型，包括LLaVA、MiniGPT-4、BLIP-2以及系统类MM-REACT等工作，实验结果表明mPLUG-Owl展示出更优的多模态能力，尤其在多模态指令理解能力、多轮对话能力、知识推理能力等方?表现突出
花旗据悉正在审查与Metaco的合作伙伴关系:金色财经报道，花旗银行正在审查其与瑞士加密货币托管公司 Metaco 的数字资产托管合作伙伴关系，并已开始与其他加密货币托管提供商进行非正式谈判。目前，尚不清楚此次审查是否与 Ripple 收购 Metaco 有关。[2023/6/30 22:10:48]
论文链接：https://arxiv.org/abs/2304.14178
代码链接：https://github.com/X-PLUG/mPLUG-Owl
ModelScope体验地址：
https://modelscope.cn/studios/damo/mPLUG-Owl/summary
HuggingFace体验地址：
数据：比特币2022年已实现损失达1950亿美元，是已实现利润的近2倍:金色财经报道，根据比特币利润/损失数据显示，2022年比特币已实现损失达到了1950亿美元，这意味着有相当一部分持有者以低于购买的价格出售了他们的 BTC，这些损失大部分发生今年在二月、五月、六月和十一月。与此同时，投资者在 2022 年仍实现了 1050 亿美元的利润，其中大部分来自持有 BTC 超过 18 个月的长期持有者。由于价格下跌，实现的利润随着时间的推移而减少BTC 的实现收益在 2 月和 4 月达到顶峰，当时卖出的投资者获得了超过 70 亿美元的利润，而 2022 年实现的最低收益是 2022 年 12 月记录的 5 亿美元。（cryptoslate）[2022/12/12 21:38:35]
https://huggingface.co/spaces/MAGAer13/mPLUG-Owl
多模态能力展示
我们把mPLUG-Owl与现有工作进行对比来感受一下mPLUG-Owl的多模态效果，值得一提的是，该工作中评比的测试样例基本上都来自已有工作，避免了cherrypick问题。
Team Finance：1450万美元Token被盗，协议暂时停用:10月27日消息，Team Finance团队表示，该协议管理资金在由Uniswap v2迁移至v3的过程中遭到黑客攻击，已确定的损失为1450万美元。目前团队已暂停Team Finance的所有活动，直到确定此漏洞已被修复。[2022/10/27 11:49:24]
下图6展示了mPLUG-Owl很强的多轮对话能力。
从图7中可以发现，?mPLUG-Owl具有很强的推理能力。
CryptoPunks系列NFT 24小时交易额增长近200%:金色财经报道，OpenSea最新数据显示，CryptoPunks系列NFT过去 24小时的交易额为612ETH，增长率为180%。24小时交易额排名位列OpenSea第一。[2022/10/24 16:36:25]
如图9展示了一些笑话解释例?。
在该工作中，除了评测对比外，该研究团队还观察到mPLUG-Owl初显一些意想不到的能力，比如多图关联、多语?、文字识别和文档理解等能力。
如图10所示，虽然在训练阶段并没有进行多图关联数据的训练，mPLUG-Owl展现出了一定的多图关联能力。
美联储逆回购工具使用规模为2.359万亿美元，创历史新高:9月23日消息，美联储在固定利率逆回购操作中总计接纳了102个对手方的2.359万亿美元，创历史新高。(金十)[2022/9/23 7:15:14]
如图11所示，尽管mPLUG-Owl在训练阶段仅使用了英文数据，但其展现出了有趣的多语?能力。这可能是因为mPLUG-Owl中的语?模型使用了LLaMA，从而出现了这一现象。
尽管mPLUG-Owl没有在带有标注的文档数据上进行训练，但其仍然展现出了一定的文字识别和文档理解能力，测试结果如图12所示。
方法介绍
该工作提出的mPLUG-Owl，其整体架构如图2所示。
模型结构：它由视觉基础模块(开源的ViT-L)、视觉抽象模块以及预训练语?模型(LLaMA-7B)组成。视觉抽象模块将较?的、细粒度的图像特征概括为少量可学习的Token，从而实现对视觉信息的?效建模。?成的视觉Token与文本查询一起输?到语?模型中，以?成相应的回复。
模型训练：采用两阶段的训练方式
第一阶段：主要目的也是先学习视觉和语?模态间的对?。不同于先前的工作，?mPLUG-Owl提出冻住视觉基础模块会限制模型关联视觉知识和文本知识的能力。?因此mPLUG-Owl在第一阶段只冻住LLM的参数，采用LAION-400M，?COYO-700M，?CC以及MSCOCO训练视觉基础模块和视觉摘要模块。
第?阶段：延续mPLUG和mPLUG-2中不同模态混合训练对彼此有收益的发现，Owl在第?阶段的指令微调训练中也同时采用了纯文本的指令数据(52kfromAlpaca+90kfromVicuna+50kfromBaize)和多模态的指令数据(150kfromLLaVA)。作者通过详细的消融实验验证了引?纯文本指令微调在指令理解等方?带来的收益。第?阶段中视觉基础模块、视觉摘要模块和原始LLM的参数都被冻住，参考LoRA，只在LLM引?少量参数的adapter结构用于指令微调。
实验结果
SOTA对比
为了比较不同模型的多模态能力，该工作构建一个多模态指令评测集OwlEval。由于?前并没有合适的自动化指标，参考Self-Intruct对模型的回复进行人工评测，打分规则为：A="正确且令人满意"；B="有一些不完美，但可以接受"；C="理解了指令但是回复存在明显错误"；D="完全不相关或不正确的回复"。
对比结果如下图3所示，实验证明Owl在视觉相关的指令回复任务上优于已有的OpenFlamingo、BLIP-2、LLaVA、MiniGPT-4。
多维度能力对比
多模态指令回复任务中牵扯到多种能力，例如指令理解、视觉理解、图?上文字理解以及推理等。为了细粒度地探究模型在不同能力上的?平，本文进一步定义了多模态场景中的6种主要的能力，并对OwlEval每个测试指令人工标注了相关的能力要求以及模型的回复中体现了哪些能力。
结果如下表格6所示，在该部分实验，作者既进行了Owl的消融实验，验证了训练策略和多模态指令微调数据的有效性，也和上一个实验中表现最佳的baseline—MiniGPT4进行了对比，结果显示Owl在各个能力方?都优于MiniGPT4。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。