曠視研究院 投稿

量子位 | 公眾號 QbitAI

不用打標簽，也能解決視覺大模型的偏好對齊問題了。

南大與曠視研究院的研究人員，推出了適用于VLM的無監(jiān)督范式。

對比偏好對齊前后，可以發(fā)現(xiàn)模型的輸出發(fā)生了顯著的變化。

目前的視覺大模型已經比較成熟，但作者發(fā)現(xiàn)它們在用戶體感方面仍然有所欠缺。

于是團隊經過研究，通過構造偏好樣本對的方式解決了視覺語言模型的偏好對齊問題，并提出了Self-Supervised Visual Preference Alignment（SeVa）范式。

該范式基于LLaVa-1.5-7B/13B完成，整個過程無需GPT-4或者是人類參與打標簽，目前項目已經開源！

構建正負樣本對比數(shù)據(jù)集

目前視覺大模型基本上在流程上已經非常成熟——預訓練+指導監(jiān)督微調（SFT）+對齊（可選）。

去年下半年開始，工業(yè)界和學術界主要聚焦在多模態(tài)大模型的數(shù)據(jù)（數(shù)據(jù)構造，配比，打標簽）和模型結構（Connector，打開模型權重等）的設計上，目標是提升VLM的理解能力（傳統(tǒng)QA+多模態(tài)benchmark）。

但是，研究團隊發(fā)現(xiàn)部分開源大模型，雖然在跑分時有不錯的性能，但在用戶體感方面會比較欠缺——不遵循指令，產生幻覺回答，違背3H準則（helpfulness, harmless, honest）等問題紛紛出現(xiàn)。

研究團隊認為，多模態(tài)對齊的一大難點，在于偏好數(shù)據(jù)的構造。

主要的原因是，純NLP領域的偏好數(shù)據(jù)非常昂貴且稀缺（一般需要GPT-4或者人類的參與），Vision-Language領域的偏好數(shù)據(jù)還沒有形成一個成熟的pipeline（數(shù)據(jù)構造方式，數(shù)據(jù)質量，數(shù)據(jù)的效果都還沒完全得到驗證）。

因此，本文首次提出一套自動化構造偏好數(shù)據(jù)的pipeline用于Alignment的訓練。作者通過嚴格的實驗，從多個角度展示了該pipeline對多模理解和用戶友好性的提升。

研究當中，作者發(fā)現(xiàn)VLM對于圖像層面的擾動非常敏感，也就是說，輕微的圖像增廣就會使得VLM對同一個Question產生錯誤且不同的回答。

具體來說，作者將多種圖像層面的擾動分別作用于LLaVA-1.5的測試階段，并在3個常規(guī)的多模態(tài)benchmark上運行，得到的結果如下：

因此SeVa將原始圖像產生的回答作為正樣本，將增廣后的圖像產生的回答作為負樣本，用于構造DPO的數(shù)據(jù)集并訓練。

△SeVa的6行偽代碼實現(xiàn)

如果以流程圖的形式來展示，SeVa的工作流如下：

具體來說，作者使用LLaVA665k 數(shù)據(jù)集中的TextVQA和OCRVQA來構造DPO數(shù)據(jù)，基于7B和13B的LLaVA-v1.5模型，使用其pretrained+SFT作為DPO的初始化權重，結合LoRA訓練語言模型，r默認在512/1024。

實驗結果表明，僅僅使用8k構造的無監(jiān)督的數(shù)據(jù)能夠顯著提高VLM的指令遵循能力、降低幻覺，并且在多模態(tài)等benchmark上提升明顯。

而且構造過程輕而易舉、成本低廉，不需要任何人類或者是GPT-4的標注。

另外，作者還系統(tǒng)闡述了在DPO訓練中用到的偏好分布與對比損失之間的關系。他們的形式在一定程度上是一致的，但是核心區(qū)別在于負樣本的定義。

和對比學習統(tǒng)一之后的好處是，可以輕易的通過對比學習的思路，在DPO中添加更多由SeVa構建的負樣本對，從而推導出一個更加通用的DPO形式。

讓視覺模型更符合人類偏好

在9個benchmark上，SeVa幾乎都能夠做到穩(wěn)定的提升，特別是在GPT-4評估的MMVet,和LLaVA-bench上提升顯著，在用于評估幻覺的指標POPE、SHR上也有穩(wěn)定的性能提升。

進一步實驗表明，SeVa DPO的范式比SFT在微調VLM上具有更大的優(yōu)勢，例如訓練時間更短、數(shù)據(jù)量更少、pipeline無需監(jiān)督等，另外再性能上也有所提升。

換句話說，該實驗也證明了Preference Alignment在某些情況會遠遠超過SFT的效率。

而且，經過DPO之后，SeVa的輸出會更加的與模型得到的Question更加的接近。

同時，SeVa每次回答的一致性也更高，對于不同temperature的擾動擁有更強的魯棒性。

通過可視化，作者還發(fā)現(xiàn)，SeVa的輸出結果比原始LLaVA（未經過DPO訓練）更加的優(yōu)質（在win-lose的比例上明顯占優(yōu)）。

同時，經過DPO之后，SeVA產生了普遍比LLaVA更長更詳細的回答。以上兩個方面的可視化也解釋了為什么SeVa能夠更加的與人類的偏好對齊。

另外，本文還進行了諸多關于SeVa的細化和分析，有很多有意思的結論：

SeVa能夠被視作一種特殊的對比學習方法。

SeVa構造的數(shù)據(jù)進行DPO訓練后，模型會產生更長token的輸出，并且抗干擾能力更強。

正負樣本之間的margin很重要，過大或過小都會sup-optimal。

對齊過程中的LoRA參數(shù)非常關鍵。

論文地址：

https://arxiv.org/abs/2404.10501

GitHub：

https://github.com/Kevinz-code/SeVa