苹果大模型MM1杀入场：300亿参数、多模态、MoE架构，超半数作者是华人

苹果也在搞自己的大型多模态基础模型，未来会不会基于该模型推出相应的文生图产品呢?我们拭目以待。

今年以来，苹果显然已经加大了对生成式人工智能（GenAI）的重视和投入。此前在2024苹果股东大会上，苹果 CEO 蒂姆・库克表示，今年将在 GenAI 领域实现重大进展。此外，苹果宣布放弃10年之久的造车项目之后，一部分造车团队成员也开始转向 GenAI。

如此种种，苹果向外界传达了加注 GenAI 的决心。目前多模态领域的 GenAI 技术和产品非常火爆，尤以 OpenAI 的 Sora 为代表，苹果当然也想要在该领域有所建树。

今日，在一篇由多位作者署名的论文《MM1: Methods， Analysis & Insights from Multimodal LLM Pre-training》中，苹果正式公布自家的多模态大模型研究成果 —— 这是一个具有高达30B 参数的多模态 LLM 系列。

论文地址:https://arxiv.org/pdf/2403.09611.pdf

该团队在论文中探讨了不同架构组件和数据选择的重要性。并且，通过对图像编码器、视觉语言连接器和各种预训练数据的选择，他们总结出了几条关键的设计准则。具体来讲，本文的贡献主要体现在以下几个方面。

首先，研究者在模型架构决策和预训练数据选择上进行小规模消融实验，并发现了几个有趣的趋势。建模设计方面的重要性按以下顺序排列:图像分辨率、视觉编码器损失和容量以及视觉编码器预训练数据。

其次，研究者使用三种不同类型的预训练数据:图像字幕、交错图像文本和纯文本数据。他们发现，当涉及少样本和纯文本性能时，交错和纯文本训练数据非常重要，而对于零样本性能，字幕数据最重要。这些趋势在监督微调（SFT）之后仍然存在，这表明预训练期间呈现出的性能和建模决策在微调后得以保留。

最后，研究者构建了 MM1，一个参数最高可达300亿（其他为30亿、70亿）的多模态模型系列， 它由密集模型和混合专家(MoE)变体组成，不仅在预训练指标中实现 SOTA，在一系列已有多模态基准上监督微调后也能保持有竞争力的性能。

具体来讲，预训练模型 MM1在少样本设置下的字幕和问答任务上，要比 Emu2、Flamingo、IDEFICS 表现更好。监督微调后的 MM1也在12个多模态基准上的结果也颇有竞争力。

得益于大规模多模态预训练，MM1在上下文预测、多图像和思维链推理等方面具有不错的表现。同样，MM1在指令调优后展现出了强大的少样本学习能力。

方法概览:构建 MM1的秘诀

构建高性能的 MLLM（Multimodal Large Language Model，多模态大型语言模型） 是一项实践性极高的工作。尽管高层次的架构设计和训练过程是清晰的，但是具体的实现方法并不总是一目了然。这项工作中，研究者详细介绍了为建立高性能模型而进行的消融。他们探讨了三个主要的设计决策方向:

架构:研究者研究了不同的预训练图像编码器，并探索了将 LLM 与这些编码器连接起来的各种方法。

数据:研究者考虑了不同类型的数据及其相对混合权重。

训练程序:研究者探讨了如何训练 MLLM，包括超参数以及在何时训练模型的哪些部分。

消融设置

由于训练大型 MLLM 会耗费大量资源，研究者采用了简化的消融设置。消融的基本配置如下:

图像编码器:在 DFN-5B 和 VeCap-300M 上使用 CLIP loss 训练的 ViT-L/14模型;图像大小为336×336。

视觉语言连接器:C-Abstractor ，含144个图像 token。

预训练数据:混合字幕图像（45%）、交错图像文本文档(45%)和纯文本(10%)数据。

语言模型:1.2B 变压器解码器语言模型。

为了评估不同的设计决策，研究者使用了零样本和少样本（4个和8个样本）在多种 VQA 和图像描述任务上的性能:COCO Cap tioning 、NoCaps 、TextCaps 、VQAv2、TextVQA 、VizWiz 、GQA 和 OK-VQA。

模型架构消融试验

研究者分析了使 LLM 能够处理视觉数据的组件。具体来说，他们研究了（1）如何以最佳方式预训练视觉编码器，以及(2)如何将视觉特征连接到 LLM 的空间(见图3左)。

图像编码器预训练。在这一过程中，研究者主要消融了图像分辨率和图像编码器预训练目标的重要性。需要注意的是，与其他消融试验不同的是，研究者本次使用了2.9B LLM（而不是1.2B），以确保有足够的容量来使用一些较大的图像编码器。

编码器经验:图像分辨率的影响最大，其次是模型大小和训练数据组成。如表1所示，将图像分辨率从224提高到336，所有架构的所有指标都提高了约3%。将模型大小从 ViT-L 增加到 ViT-H，参数增加了一倍，但性能提升不大，通常不到1%。最后，加入 VeCap-300M （一个合成字幕数据集）后，在少样本场景中性能提升超过了1%。

视觉语言连接器和图像分辨率。该组件的目标是将视觉表征转化为 LLM 空间。由于图像编码器是 ViT，因此其输出要么是单一的嵌入，要么是一组与输入图像片段相对应的网格排列嵌入。因此，需要将图像 token 的空间排列转换为 LLM 的顺序排列。与此同时，实际的图像 token 表征也要映射到词嵌入空间。

VL 连接器经验:视觉 token 数量和图像分辨率最重要，而 VL 连接器的类型影响不大。如图4所示，随着视觉 token 数量或 / 和图像分辨率的增加，零样本和少样本的识别率都会提高。

预训练数据消融试验

通常，模型的训练分为两个阶段:预训练和指令调优。前一阶段使用网络规模的数据，后一阶段则使用特定任务策划的数据。下面重点讨论了本文的预训练阶段，并详细说明研究者的数据选择（图3右）。

有两类数据常用于训练 MLLM:由图像和文本对描述组成的字幕数据;以及来自网络的图像 - 文本交错文档。表2是数据集的完整列表:

数据经验1:交错数据有助于提高少样本和纯文本性能，而字幕数据则能提高零样本性能。图5a 展示了交错数据和字幕数据不同组合的结果。

数据经验2:纯文本数据有助于提高少样本和纯文本性能。如图5b 所示，将纯文本数据和字幕数据结合在一起可提高少样本性能。

数据经验3:谨慎混合图像和文本数据可获得最佳的多模态性能，并保留较强的文本性能。图5c 尝试了图像（标题和交错）和纯文本数据之间的几种混合比例。

数据经验4:合成数据有助于少样本学习。如图5d 所示，人工合成数据确实对少数几次学习的性能有不小的提升，绝对值分别为2.4% 和4%。

最终模型和训练方法

研究者收集了之前的消融结果，确定 MM1多模态预训练的最终配方:

图像编码器:考虑到图像分辨率的重要性，研究者使用了分辨率为378x378px 的 ViT-H 模型，并在 DFN-5B 上使用 CLIP 目标进行预训练;

视觉语言连接器:由于视觉 token 的数量最为重要，研究者使用了一个有144个 token 的 VL 连接器。实际架构似乎不太重要，研究者选择了 C-Abstractor;

数据:为了保持零样本和少样本的性能，研究者使用了以下精心组合的数据:45% 图像 - 文本交错文档、45% 图像 - 文本对文档和10% 纯文本文档。

为了提高模型的性能，研究者将 LLM 的大小扩大到3B、7B 和30B 个参数。所有模型都是在序列长度为4096、每个序列最多16幅图像、分辨率为378×378的情况下，以512个序列的批量大小进行完全解冻预训练的。所有模型均使用 AXLearn 框架进行训练。

他们在小规模、9M、85M、302M 和1.2B 下对学习率进行网格搜索，使用对数空间的线性回归来推断从较小模型到较大模型的变化（见图6），结果是在给定(非嵌入)参数数量 N 的情况下，预测出最佳峰值学习率 η:

通过专家混合（MoE）进行扩展。在实验中，研究者进一步探索了通过在语言模型的 FFN 层添加更多专家来扩展密集模型的方法。

要将密集模型转换为 MoE，只需将密集语言解码器替换为 MoE 语言解码器。为了训练 MoE，研究者采用了与密集骨干4相同的训练超参数和相同的训练设置，包括训练数据和训练 token。

关于多模态预训练结果，研究者通过适当的提示对预先训练好的模型在上限和 VQA 任务上进行评估。表3对零样本和少样本进行了评估:

监督微调结果

最后，研究者介绍了预训练模型之上训练的监督微调（SFT）实验。

他们遵循 LLaVA-1.5和 LLaVA-NeXT，从不同的数据集中收集了大约100万个 SFT 样本。鉴于直观上，更高的图像分辨率会带来更好的性能，研究者还采用了扩展到高分辨率的 SFT 方法。

监督微调结果如下:

表4展示了与 SOTA 比较的情况，「-Chat」表示监督微调后的 MM1模型。

首先，平均而言，MM1-3B-Chat 和 MM1-7B-Chat 优于所有列出的相同规模的模型。MM1-3B-Chat 和 MM1-7B-Chat 在 VQAv2、TextVQA、ScienceQA、MMBench 以及最近的基准测试（MMMU 和 MathVista）中表现尤为突出。

其次，研究者探索了两种 MoE 模型:3B-MoE（64位专家）和6B-MoE(32位专家)。在几乎所有基准测试中，苹果的 MoE 模型都比密集模型取得了更好的性能。这显示了 MoE 进一步扩展的巨大潜力。

第三，对于30B 大小的模型，MM1-30B-Chat 在 TextVQA、SEED 和 MMMU 上的表现优于 Emu2-Chat37B 和 CogVLM-30B。与 LLaVA-NeXT 相比，MM1也取得了具有竞争力的全面性能。

不过，LLaVA-NeXT 不支持多图像推理，也不支持少样本提示，因为每幅图像都表示为2880个发送到 LLM 的 token，而 MM1的 token 总数只有720个。这就限制了某些涉及多图像的应用。

图7b 显示，输入图像分辨率对 SFT 评估指标平均性能的影响，图7c 显示，随着预训练数据的增加，模型的性能不断提高。

图像分辨率的影响。图7b 显示了输入图像分辨率对 SFT 评估指标平均性能的影响。

预训练的影响:图7c 显示，随着预训练数据的增加，模型的性能不断提高。

更多研究细节，可参考原论文。