微软亚研院发布了仅 16 亿参数的多模态大型语言模型 KOSMOS-1，不仅能看图回答，还搞定了瑞文智商测试。
大模型的卷，已经不睡觉都赶不上进度了……
这不，微软亚研院刚刚发布了一个多模态大型语言模型（MLLM）—— KOSMOS-1。
论文题目 Language Is Not All You Need，还得源于一句名言。
文中有这么一句话，「我语言的局限，就是我世界的局限。—— 奥地利哲学家 Ludwig Wittgenstein」
那么问题来了……
拿着图问 KOSMOS-1「是鸭还是兔」能搞明白吗？这张有 100 多年历史的梗图硬是把谷歌 AI 整不会了。
1899 年，美国心理学家 Joseph Jastrow 首次使用「鸭兔图」来表明感知不仅是人们所看到的，而且是一种心理活动。
现在，KOSMOS-1 便能将这种感知和语言模型相结合。
-图中是什么？
-像一只鸭子。
-如果不是鸭子，那是什么？
-看起来更像兔子。
-为什么？
-它有兔子的耳朵。
这么一问，KOSMOS-1 真有点像微软版的 ChatGPT 了。
不仅如此，Kosmos-1 还能理解图像、文本、带有文本的图像、OCR、图像说明、视觉 QA。
甚至 IQ 测试也不在话下。
「宇宙」无所不能
Kosmos 来源希腊一词 cosmos，有「宇宙」之意。
据论文介绍，最新 Kosmos-1 模型是一个多模态大型语言模型。
其主干是一个基于 Transformer 的因果语言模型，除了文本之外，其他模态，如视觉、音频都可以嵌入模型。
Transformer 解码器用作多模态输入的通用接口，因此它能感知一般模态，进行上下文学习，并遵循指令。
Kosmos-1 在语言和多模态任务上取得了令人印象深刻的表现，无需进行微调，其中包括带有文字指示的图像识别、视觉问答和多模态对话。
如下是 Kosmos-1 生成一些例子式样。
图片解释、图片问答、网页问题回答，简单数字公式，以及数字识别。
那么，Kosmos-1 是在哪些数据集上进行预训练的呢？
训练所用的数据库，包括文本语料库、图像-字幕对、图像和文本交叉数据集。
文本语料库取自 The Pile 和 Common Crawl（CC）；
图像-字幕对的来源为 English LAION-2B、LAION-400M、COYO-700M 和 Conceptual Captions；
文本交叉数据集的来源是 Common Crawl snapshot。
数据库有了，接下来就是对模型进行预训练了。
MLLM 组件有 24 层、2,048 个隐藏维度、8,192 个 FFN 和 32 个注意力头头，产生了大约 1.3B 的参数。
为了保证优化的稳定性，采用 Magneto 初始化；为了更快地收敛，图像表示是从一个预先训练好的具有 1024 个特征维度的 CLIP ViT-L / 14 模型获取的。在训练过程中，图像被预处理成 224×224 分辨率，CLIP 模型的参数除了最后一层均被冻结。
KOSMOS-1 的参数总量约为 16 亿。
为了使 KOSMOS-1 更好地与指令保持一致，对其进行了只用语言的指令调整 [LHV+23, HSLS22]，即用指令数据继续训练模型，该指令数据是仅有的语言数据，与训练语料库混合。
该调优过程是按照语言建模的方式进行的，选取的指令数据集为 Unnatural Instructions [HSLS22] 和 FLANv2 [LHV+23]。
结果显示，指令跟随能力的提高可以跨模式转移。
总之，MLLM 可以从跨模态迁移中获益，将知识从语言迁移到多模态，反之亦然；
5 大类 10 个任务，都拿捏了
一个模型好不好使，拿出来溜溜就知道了。
研究团队从多角度进行实验来评价 KOSMOS-1 的性能，包括 5 大类十项任务：
1 语言任务（语言理解、语言生成、无 OCR 的文本分类）
2 多模态转移（常识推理）
3 非语言推理（IQ 测试）
4 感知-语言任务（图像说明、视觉问答、网页问答）
5 视觉任务（零样本图像分类、带描述的零样本图像分类）
无 OCR 的文本分类
这是一种不依赖于光学字符识别（OCR）的专注于文本和图像的理解任务。
KOSMOS-1 对 HatefulMemes 和对 Rendered SST-2 测试集的准确率均高于优于其他模型。
而且 Flamingo 明确提供 OCR 文本到提示中，KOSMOS-1 并没有访问任何外部工具或资源，这展示了 KOSMOS-1 阅读和理解渲染的图像中的文本的内在能力。
IQ 测试
瑞文智力测试是评估非语言的最常用测试之一。
KOSMOS-1 在没有进行微调时准确率比随机选择提高了 5.3%，经过微调后则提高了 9.3%，表明其具有感知非语言环境中的抽象概念模式的能力。
这是首次有模型能够完成零样本 Raven 测试，证明了 MLLMs 通过将感知与语言模型结合起来进行零样本非言语推理的潜力。
图像说明
KOSMOS-1 在 COCO 和 Flickr30k 测试中的零样本性能均表现优秀，相比其他模型，其得分更高，但采用的参数量更小。
在少样本性能测试中，得分随着 k 值增大有所增加。
零样本图像分类
给定一个输入图像，并将该图像与提示 「The photo of the」连接起来。然后，输入模型以获得图像的类别名称。
通过在 ImageNet [DDS+09] 上评估该模型，在有约束和无约束的条件下，KOSMOS-1 的图像归类效果都明显优于 GIT [WYH+22]，展现了完成视觉任务的强大能力。
常识推理
视觉常识推理任务要求模型理解现实世界中日常物体的属性，如颜色、大小和形状，这些任务是具有挑战性的，因为它们可能需要比文本中更多的关于物体属性的信息。
结果显示，KOSMOS-1 在尺寸和颜色方面的推理能力都明显好于 LLM 模型。这主要是因为 KOSMOS-1 具备多模态迁移能力，从而能够将视觉知识运用到语言任务中，而不必像 LLM 那样必须依靠文本知识和线索来推理。
对于微软 Kosmos-1，网友称赞道，未来 5 年，我可以看到一个高级机器人浏览网络，并仅通过视觉方式基于人类的文本输入来工作。真是有趣的时代。
参考资料：
-
https://arxiv.org/pdf/2302.14045.pdf
本文来自微信公众号：新智元 （ID：AI_era）