1. 極低訓練成本

通過我們提出的VPGTrans方法，可以快速(少于10%訓練時間)將已有的多模態對話模型的視覺模塊遷移到新的語言模型，且達到類似或更優效果。比如，相比于從頭訓練視覺模塊，我們可以將BLIP-2 FlanT5-XXL的訓練開銷從19000+人民幣縮減到不到1000元:

▲圖 1：基于我們的VPGTrans方法的BLIP-2訓練開銷縮減對比

2. 多模態大模型定制

通過我們的VPGTrans框架可以根據需求為各種新的大語言模型靈活添加視覺模塊。比如我們在LLaMA-7B和Vicuna-7B基礎上制作了VL-LLaMA和VL-Vicuna。

3. 開源多模態對話模型

我們開源了VL-Vicuna，多模態對話模型，可實現高質量的多模態對話：

▲圖 ２：VL-Vicuna的交互實例

一、動機介紹

1.1 背景

2023年是AI元年，以ChatGPT為代表的大語言模型(LLM)大火。LLM除了在自然語言領域顯示出巨大的潛力之外，也開始逐漸輻射到其他相關領域。比如，LLM在多模態理解領域掀起了一股從傳統預訓練視覺語言模型(VLM)到基于大語言模型的視覺語言模型(VL-LLM)的變革。通過為LLM接入視覺模塊，VL-LLM可以繼承已有LLM的知識，零樣本泛化能力，推理能力和規劃能力等。相關模型有BLIP-2[1],Flamingo[2],PALM-E等。

▲圖 3：常用的VL-LLM架構

現有的常用的VL-LLM基本采取圖3所示的架構：在一個基座LLM基礎上訓練一個視覺soft prompt生成模塊(Visual Prompt Generator, VPG)，以及一個進行維度變換的線性層(Projector)。在參數規模上，LLM一般占主要部分(比如11B)，VPG占次要部分(比如1.2B)，Projector最小(4M)。在訓練過程中，LLM參數一般不會被更新，或者僅僅更新非常少量的參數。可訓練參數主要來自于VPG和projector。

1.2 動機

實際上，即便基座LLM的參數凍結不訓，但由于LLM的大參數量，訓練一個VL-LLM的關鍵開銷依然在于加載基座LLM。因此訓練一個VL-LLM依然無法避免極大的計算代價。比如，要得到BLIP-2（基座LLM為FlanT5-XXL）需要付出超過600個小時的A100訓練時長。如果租用亞馬遜的A100-40G機器，大概需要將近2萬元人民幣的費用。既然從零訓練一個VPG代價如此昂貴，那么我們開始思考能否把一個已有的VPG遷移到新的LLM上來節省開銷。

▲圖 4：VPG遷移: 跨LLM大小遷移和跨LLM類型遷移

如圖4所示，我們主要探索了兩種類型的VPG的遷移:

(1)跨LLM大小遷移 (TaS): 比如從OPT-2.7B到OPT-6.7B。

(2)跨LLM類型遷移 (TaT): 比如從OPT到FlanT5

其中TaS的意義在于:在LLM相關科研中，我們通常需要在小LLM上調參，再擴展到大LLM。有了TaS，我們可以在調參之后，把小LLM上已經訓好的VPG直接遷移到大LLM上。TaT的意義在于:不同功能種類的LLM層出不窮，比如今天有了LLaMA，明天又有了Alpaca和Vicuna。TaT可以讓我們利用已有的VPG快速為新語言模型添加視覺感知能力。

1.3 貢獻

(1) 提出高效的方法: 我們首先通過一系列的探究實驗，探究了影響VPG遷移效率的關鍵因素。根據探索實驗發現，我們提出了一個兩階段的高效遷移框架VPGTrans。該框架可以大幅度縮減訓練VL-LLM所需的計算開銷和需要的訓練數據。比如，相比于從頭訓練，我們通過BLIP-2 OPT-2.7B到6.7B的VPG遷移，可以僅用大約10%的數據和計算時間就達成各個數據集相似或更好的效果(圖1)。訓練花銷從17901人民幣到1673元。

(2) 得到有趣的發現: 我們同時提供了TaS和TaT場景下一些有趣的發現，并嘗試給出解釋: a) TaS場景下，使用VPGTrans從小到大遷移不會影響最終模型效果。b) TaS場景下，越小的語言模型上訓練的VPG，遷移到大模型時效率越高，最終效果越好。c) TaT場景下，越小的模型之間遷移的gap越大。在我們驗證實驗中，OPT-350M和FlanT5-base使用VPGTrans互相遷移幾乎和從頭訓練一樣慢。

(3) 開源: 我們使用VPGTrans得到了兩個新的VL-LLMs: VL-LLaMA和VL-Vicuna，并開源在了社區上。其中VL-Vicuna實現了高質量的多模態對話。歡迎小伙伴嘗試：https://vpgtrans.github.io/.

二、高效率的VPG遷移方案: VPGTrans

首先我們進行一系列的探索驗證實驗，分析如何最大化對于VPG的遷移效率。接著我們基于這些重要觀察提出一個解決方案。

2.1 探究實驗

我們選取BLIP-2架構作為我們的基礎模型，預訓練語料采用COCO和SBU，總共1.4M圖文對。下游任務采用COCO Caption, NoCaps, VQAv2, GQA和OK-VQA的zero-shot設定進行評測(對caption任務并非嚴格zero-shot)。下面是我們的關鍵發現:

(1)直接繼承一個訓練好的VPG可以加速收斂,但效果有限：我們發現，直接遷移一個LLM上訓練好的VPG到大LLM可以加速模型收斂，但加速效果有限，且收斂后模型效果相比于從頭訓練VPG會掉點(圖5的VQAv2、GQA藍線最高點均低于橘線)。我們猜測，這個掉點是由于隨機初始化的projector會在訓練起始階段損傷VPG中已有的視覺感知能力。

▲圖 5：VPG inherit (藍線): 直接繼承訓練好的VPG。train from scratch (橘線):從頭訓練VPG。only linear (綠線):只訓練linear projector不訓練VPG。

(2)先warm-up訓練projector可以防止掉點，且進一步加速收斂：于是，我們固定住VPG和LLM，先warm-up訓練projector 3個epoch，再解凍VPG進行下一步訓練。我們發現，這樣不僅僅可以避免掉點情況，還能夠進一步加速VPG收斂(圖6)。但值得強調的是，由于訓練的主要開銷在LLM(參數巨多)，僅僅訓練projector的開銷不會比同時訓練VPG和projector的開銷小太多。所以，我們開始探究加速projector warm-up的關鍵技術。

▲圖6:先warm-up訓練projector可以防止掉點+加速收斂

(3)詞向量轉化器初始化可以加速projector warm-up：首先，VPG是通過把圖像轉化為LLM可以理解的soft prompt來產生效果的。而soft prompt的使用方式和詞向量其實是非常相似的，都是直接輸入語言模型來提示模型產生對應內容。所以，我們使用詞向量來作為soft prompt的一個代理，訓練了一個到的詞向量轉化器(一個線性層)。然后，我們將詞向量轉化器和上的projector融合作為projector的初始化。通過這個初始化，我們可以將projector的warm-up訓練由3個epoch減為2個epoch。

(4)projector可以在超大學習率下快速收斂：我們進一步實驗發現，projector由于其參數量較少，可以使用5倍的正常學習率進行訓練而不崩潰。通過5倍學習率的訓練，projector warm-up可以進一步被縮短到１個epoch。

(5)一個附加發現: 雖然projector warm-up很重要，但僅訓練projector是不夠的。尤其在caption任務上面，僅僅訓練projector的效果要比同時訓練VPG的效果差一截 (圖5綠線在COCO Caption和NoCaps均遠低于藍線)。這也就意味著，僅僅訓練projector會導致欠擬合，也就是無法充分對齊到訓練數據。

2.2 我們所提出的方法

▲圖 7：VPGTrans框架: (1) 一階段:projector的warm-up (2) 二階段: 整體微調

如圖7所示，我們的方法共分為兩個階段：(1)第一階段: 我們首先使用詞向量轉化器和原有projector進行融合作為新projector的初始化，然后用5倍學習率訓練新projector一個epoch。(2) 第二階段:直接正常訓練VPG和projector。

三、實驗結果

3.1 加速比

▲表1：我們的VPGTrans的相比于從頭訓練在各個數據集的加速比

如表1所示，我們測試了不同遷移類型下，VPGTrans在不同數據集上的加速比。VPGTrans在某指定數據集A上的加速比是通過從頭訓練達到A上最佳效果a的輪數除以VPGTrans在A上效果超過a的最小訓練輪數得到。比如，從頭在OPT-2.7B上訓練VPG，在COCO caption達到最佳效果需要10個epoch，但從OPT-125M遷移VPG到OPT-2.7B，僅需1個epoch就能達到該最佳效果。則加速比為10/1=10倍。我們可以看到，無論是在TaS還是在TaT場景下，我們的VPGTrans都可以實現穩定的加速。

3.2 有趣的發現

我們選取了一個比較有趣的發現進行了說明，其他更多更有意思的發現請參照我們的論文。

TaS場景下，越小的語言模型上訓練的VPG，遷移起來效率越高，最后模型效果越好。參考表1，我們可以發現OPT-1.3B到OPT-2.7B的加速比要遠小于OPT-125M、OPT-350M到OPT-2.7b的加速比。我們嘗試提供了一個解釋：一般越大的語言模型，由于其文本空間的維度更高，會更容易損害VPG(VPG一般都是類似于CLIP的預訓練模型)本身的視覺感知能力。我們通過類似于linear probing的方式進行了驗證：

▲圖 ８：僅訓練linear projector層的跨LLM大小遷移 (模擬linear probing)

如圖8所示，我們進行了OPT-125M,350M,1.3B,2.7B之間的跨LLM大小的遷移。在實驗中，為了公平對比不同模型大小下訓練過的VPG的視覺感知能力，我們固定住VPG的參數僅僅訓練linear projector層。我們選取了COCO Caption上的SPICE指標作為視覺感知能力的衡量手段。不難發現，對于每一個給定的，幾乎都符合越小，最終SPICE越高的一個現象。

3.3 大規模實驗

前文實驗主要是在小規模場景下驗證猜想。為了證明我們的方法的有效性，我們模擬BLIP-2的預訓練過程進行了大規模實驗：

▲表2：真實場景下的大規模實驗結果

如表2所示，我們的VPGTrans在大規模場景下依然有效。通過OPT-2.7B到OPT-6.7B的遷移，我們僅用10.8%的數據和不到10%的訓練時長達到了相似或更優的效果。尤其是，我們的方法在BLIP-2 以FlanT5-XXL為基座LLM下實現了5%左右的訓練成本控制

四、定制您的VL-LLMs

我們的VPGTrans可以快速為任意新的LLMs添加視覺感知模塊，從而得到一個全新的高質量VL-LLM。在本工作，我們額外訓練了一個VL-LLaMA和一個VL-Vicuna。其中VL-LLaMA的效果如下:

▲表３：VL-LLaMA的效果展示

同時，我們的VL-Vicuna可以進行多模態對話。我們和MiniGPT-4進行了簡單的比較:

五、總結

在這項工作中，我們對 VPG 在 LLM 之間的可遷移性問題進行了全面調查。我們首先探討了最大化遷移效率的關鍵因素。基于關鍵觀察，我們提出了一種新穎的兩階段遷移框架，即 VPGTrans。它可以在顯著降低訓練成本的同時，實現相當或更好的性能。通過 VPGTrans，我們實現了從 BLIP-2 OPT 2.7B 到 BLIP-2 OPT 6.7B 的 VPG 遷移。相較于從零開始連接 VPG 到 OPT 6.7B，VPGTrans僅需10.7%訓練數據和不到10%的訓練時長。此外，我們展示并討論了一系列有趣發現及其背后的可能原因。最后，我們通過訓練VL-LLaMA和LL-Vicuna，展示了我們的 VPGTrans 在定制新的 VL-LLM 方面的實際價值。