近日，由顏水成教授帶隊，昆侖萬維2050全球研究院、新加坡國立大學(xué)、新加坡南洋理工大學(xué)團隊聯(lián)合發(fā)布并開源了Vitron通用像素級視覺多模態(tài)大語言模型。

這是一款重磅的通用視覺多模態(tài)大模型，支持從視覺理解到視覺生成、從低層次到高層次的一系列視覺任務(wù)，解決了困擾大語言模型產(chǎn)業(yè)已久的圖像/視頻模型割裂問題，提供了一個全面統(tǒng)一靜態(tài)圖像與動態(tài)視頻內(nèi)容的理解、生成、分割、編輯等任務(wù)的像素級通用視覺多模態(tài)大模型，為下一代通用視覺大模型的終極形態(tài)奠定了基礎(chǔ)，也標志著大模型邁向通用人工智能(AGI)的又一大步。

Vitron作為一個統(tǒng)一的像素級視覺多模態(tài)大語言模型，實現(xiàn)了從低層次到高層次的視覺任務(wù)的全面支持，能夠處理復(fù)雜的視覺任務(wù)，并理解和生成圖像和視頻內(nèi)容，提供了強大的視覺理解和任務(wù)執(zhí)行能力。同時，Vitron支持與用戶的連續(xù)操作，實現(xiàn)了靈活的人機互動，展示了通向更統(tǒng)一的視覺多模態(tài)通用模型的巨大潛力。

Vitron相關(guān)的論文、代碼和Demo已全部公開，其在綜合性、技術(shù)創(chuàng)新、人機交互和應(yīng)用潛力等方面展現(xiàn)出的獨特優(yōu)勢和潛力，不僅推動了多模態(tài)大模型的發(fā)展，還為未來的視覺大模型研究提供了一個新的方向。

一直以來，昆侖萬維2050全球研究院都致力于打造一家面向未來世界的卓越科學(xué)研究機構(gòu)，與科學(xué)社區(qū)共同跨越“奇點”，探索未知世界，創(chuàng)造美好未來。此前，昆侖萬維2050全球研究院已經(jīng)發(fā)布并開源了數(shù)字智能體研發(fā)工具包AgentStudio，未來，研究院還將不斷推動人工智能技術(shù)突破，為中國人工智能生態(tài)建設(shè)貢獻力量。

當前視覺大語言模型(LLMs)的發(fā)展取得了喜人進展。社區(qū)越來越相信，構(gòu)建更通用、更強大的多模態(tài)大模型(MLLMs)將會是通向通用人工智能(AGI)的必經(jīng)之路。但在向多模態(tài)通用大模型(Generalist)的邁進過程中，目前仍存在一些關(guān)鍵挑戰(zhàn)。比如很大一部分工作都沒有實現(xiàn)細粒度像素級別的視覺理解，或者缺乏對圖像和視頻的統(tǒng)一支持。抑或?qū)τ诟鞣N視覺任務(wù)的支持不充分，離通用大模型相差甚遠。

為了填補這個空白，近日，昆侖萬維2050全球研究院、新加坡國立大學(xué)、新加坡南洋理工大學(xué)團隊聯(lián)合發(fā)布開源了Vitron通用像素級視覺多模態(tài)大語言模型。Vitron支持從視覺理解到視覺生成、從低層次到高層次的一系列視覺任務(wù)，包括靜態(tài)圖像和動態(tài)視頻內(nèi)容進行全面的理解、生成、分割和編輯等任務(wù)。

上圖綜合描繪了Vitron在四大視覺相關(guān)任務(wù)的功能支持，以及其關(guān)鍵優(yōu)勢。Vitron還支持與用戶的連續(xù)操作，實現(xiàn)靈活的人機互動。該項目展示了面向更統(tǒng)一的視覺多模態(tài)通用模型的巨大潛力，為下一代通用視覺大模型的終極形態(tài)奠定了基礎(chǔ)。

Vitron相關(guān)論文、代碼、Demo目前已全部公開。

l 論文標題：Vitron: A Unified Pixel-level Vision LLM for Understanding, Generating, Segmenting, Editing

l 項目主頁&Demo：https://vitron-llm.github.io/

l 論文鏈接：https://is.gd/aGu0VV

l 開源代碼：https://github.com/SkyworkAI/Vitron

大一統(tǒng)的終極多模態(tài)大語言模型

近年來，大語言模型(LLMs)展現(xiàn)出了前所未有的強大能力，其被逐漸驗證為乃是通向AGI的技術(shù)路線。而多模態(tài)大語言模型(MLLMs)在多個社區(qū)火爆發(fā)展且迅速出圈，通過引入能進行視覺感知的模塊，擴展純語言基礎(chǔ)LLMs至MLLMs，眾多在圖像理解方面強大卓越的MLLMs被研發(fā)問世，例如BLIP-2、LLaVA、MiniGPT-4等等。與此同時，專注于視頻理解的MLLMs也陸續(xù)面世，如VideoChat、Video-LLaMA和Video-LLaVA等等。

隨后，研究人員主要從兩個維度試圖進一步擴展MLLMs的能力。一方面，研究人員嘗試深化MLLMs對視覺的理解，從粗略的實例級理解過渡到對圖像的像素級細粒度理解，從而實現(xiàn)視覺區(qū)域定位(Regional Grounding)能力，如GLaMM、PixelLM、NExT-Chat和MiniGPT-v2等。另一方面，研究人員嘗試擴展MLLMs可以支持的視覺功能。部分研究已經(jīng)開始研究讓MLLMs不僅理解輸入視覺信號，還能支持生成輸出視覺內(nèi)容。比如，GILL、Emu等MLLMs能夠靈活生成圖像內(nèi)容，以及GPT4Video和NExT-GPT實現(xiàn)視頻生成。

目前人工智能社區(qū)已逐漸達成一致，認為視覺MLLMs的未來趨勢必然會朝著高度統(tǒng)一、能力更強的方向發(fā)展。然而，盡管社區(qū)開發(fā)了眾多的MLLMs，但仍然存在明顯的鴻溝。

l 首先，幾乎所有現(xiàn)有的視覺LLMs將圖像和視頻視為不同的實體，要么僅支持圖像，要么僅支持視頻。研究人員主張，視覺應(yīng)該同時包含了靜態(tài)圖像和動態(tài)視頻兩個方面的內(nèi)涵——這兩者都是視覺世界的核心組成，在大多數(shù)場景中甚至可以互換。所以，需要構(gòu)建一個統(tǒng)一的MLLM框架能夠同時支持圖像和視頻模態(tài)。

l 其次，目前MLLMs對視覺功能的支持還有所不足。大多數(shù)模型僅能進行理解，或者最多生成圖像或視頻。研究人員認為，未來的MLLMs應(yīng)該是一個通用大語言模型，能覆蓋更廣泛的視覺任務(wù)和操作范圍，實現(xiàn)對所有視覺相關(guān)任務(wù)的統(tǒng)一支持，達到“one for all”的能力。這點對實際應(yīng)用尤其是在經(jīng)常涉及一系列迭代和交互操作的視覺創(chuàng)作中至關(guān)重要。例如，用戶通常首先從文本開始，通過文生圖，將一個想法轉(zhuǎn)化為視覺內(nèi)容;然后通過進一步的細粒度圖像編輯來完善初始想法，添加更多細節(jié);接著，通過圖像生成視頻來創(chuàng)建動態(tài)內(nèi)容;最后，進行幾輪迭代交互，如視頻編輯，完善創(chuàng)作。

上表簡單地歸納了現(xiàn)有的視覺MLLM的能力(只代表性地囊括了部分模型，覆蓋不完整)。為了彌補這些差距，該團隊提出一種通用的像素級視覺MLLM——Vitron。

Vitron系統(tǒng)架構(gòu)：三大關(guān)鍵模塊

Vitron整體框架如下圖所示。Vitron采用了與現(xiàn)有相關(guān)MLLMs相似的架構(gòu)，包括三個關(guān)鍵部分：1) 前端視覺&語言編碼模塊，2) 中心LLM理解和文本生成模塊，以及3) 后端用戶響應(yīng)和模塊調(diào)用以進行視覺操控模塊。

l 前端模塊：視覺-語言編碼。為了感知圖像和視頻模態(tài)信號，并支持細粒度用戶視覺輸入，Vitron集成了圖像編碼器、視頻編碼器、區(qū)域框/草圖編碼器。

l 中心模塊：核心LLM。Vitron使用的是Vicuna(7B，1.5)，來實現(xiàn)理解、推理、決策制定和多輪用戶交互。

l 后端模塊：用戶響應(yīng)與模塊調(diào)用。Vitron采用以文本為中心的調(diào)用策略，整合現(xiàn)成的幾個強大先進(SoTA)的圖像和視頻處理模塊，用于解碼和執(zhí)行從低層到高層的一系列視覺終端任務(wù)。通過采用以文本為中心的模塊集成調(diào)用方法，Vitron不僅實現(xiàn)了系統(tǒng)統(tǒng)一，還確保了對齊效率和系統(tǒng)可擴展性。

Vitron模型訓(xùn)練三大階段

基于上述架構(gòu)，再對Vitron進行訓(xùn)練微調(diào)，以賦予其強大的視覺理解和任務(wù)執(zhí)行能力。模型訓(xùn)練主要囊括三個不同的階段。

l 步驟一：視覺-語言整體對齊學(xué)習。將輸入的視覺語言特征映射到一個統(tǒng)一的特征空間中，從而使其能夠有效理解輸入的多模態(tài)信號。這是一種粗粒度的視覺-語言對齊學(xué)習，可以讓系統(tǒng)具備整體上有效處理傳入的視覺信號。研究人員采用了現(xiàn)存的圖像-標題對(CC3M)、視頻-標題對(Webvid)和區(qū)域-標題對(RefCOCO)的數(shù)據(jù)集進行訓(xùn)練。

l 步驟二：細粒度的時空視覺定位指令微調(diào)。系統(tǒng)采用了調(diào)用外部模塊方式來執(zhí)行各種像素級視覺任務(wù)，但LLM本身并未經(jīng)過任何細粒度的視覺訓(xùn)練，這將會阻礙了系統(tǒng)實現(xiàn)真正的像素級視覺理解。為此，研究人員提出了一種細粒度的時空視覺定位指令微調(diào)訓(xùn)練，核心思想是使LLM能夠定位圖像的細粒度空間性和視頻的具體時序特性。

l 步驟三：輸出端面向命令調(diào)用的指令微調(diào)。上述第二階段的訓(xùn)練賦予了LLM和前端編碼器在像素級別理解視覺的能力。這最后一步，面向命令調(diào)用的指令微調(diào)，旨在讓系統(tǒng)具備精確執(zhí)行命令的能力，允許LLM生成適當且正確的調(diào)用文本。由于不同的終端視覺任務(wù)可能需要不同的調(diào)用命令，為了統(tǒng)一這一點，研究人員提出將LLM的響應(yīng)輸出標準化為結(jié)構(gòu)化文本格式，其中包括：

1) 用戶響應(yīng)輸出，直接回復(fù)用戶的輸入。

2) 模塊名稱，指示將要執(zhí)行的功能或任務(wù)。

3) 調(diào)用命令，觸發(fā)任務(wù)模塊的元指令。

4) 區(qū)域(可選輸出)，指定某些任務(wù)所需的細粒度視覺特征，例如在視頻跟蹤或視覺編輯中，后端模塊需要這些信息。對于區(qū)域，基于LLM的像素級理解，將輸出由坐標描述的邊界框。

評估實驗

研究人員基于Vitron在22個常見的基準數(shù)據(jù)集、12個圖像/視頻視覺任務(wù)上進行了廣泛的實驗評估。Vitron展現(xiàn)出在四大主要視覺任務(wù)群組(分割、理解、內(nèi)容生成和編輯)中的強大能力，與此同時其具備靈活的人機交互能力。以下代表性地展示了一些定性比較結(jié)果：

l Vision Segmentation

Results of image referring image segmentation

l Fine-grained Vision Understanding

Results of image referring expression comprehension.

Results on video QA.

l Vision Generation

Text-to-Image Generation Text-to-Video generation Image-to-Video generation

l Vision Editing

Image editing results

具體更多詳細實驗內(nèi)容和細節(jié)請移步論文。

未來方向展望

總體上，這項工作展示了研發(fā)大一統(tǒng)的視覺多模態(tài)通用大模型的巨大潛力，為下一代視覺大模型的研究奠定了一個新的形態(tài)，邁出了這個方向的第一步。盡管團隊所提出的Vitron系統(tǒng)表現(xiàn)出強大的通用能力，但依然存在自身的局限性。以下研究人員列出一些未來可進一步探索的方向。

l 系統(tǒng)架構(gòu)

Vitron系統(tǒng)仍采用半聯(lián)合、半代理的方式來調(diào)用外部工具。雖然這種基于調(diào)用的方法便于擴展和替換潛在模塊，但這也意味著這種流水線結(jié)構(gòu)的后端模塊不參與到前端與LLM核心模塊的聯(lián)合學(xué)習。這一限制不利于系統(tǒng)的整體學(xué)習，這意味著不同視覺任務(wù)的性能上限將受到后端模塊的限制。未來的工作應(yīng)將各種視覺任務(wù)模塊整合成一個統(tǒng)一的單元。實現(xiàn)對圖像和視頻的統(tǒng)一理解和輸出，同時通過單一生成范式支持生成和編輯能力，仍然是一個挑戰(zhàn)。目前一種有希望的方式是結(jié)合modality-persistent的tokenization, 提升系統(tǒng)在不同輸入和輸出以及各種任務(wù)上的統(tǒng)一化。

l 用戶交互性

與之前專注于單一視覺任務(wù)的模型(例如，Stable Diffusion和SEEM)不同，Vitron旨在促進LLM和用戶之間的深度交互，類似于行業(yè)內(nèi)的OpenAI的DALL-E系列，Midjourney等。實現(xiàn)最佳的用戶交互性是本項工作的核心目標之一。Vitron利用現(xiàn)有的基于語言的LLM，結(jié)合適當?shù)闹噶钫{(diào)整，以實現(xiàn)一定程度的交互。例如，系統(tǒng)可以靈活地響應(yīng)用戶輸入的任何預(yù)期消息，產(chǎn)生相應(yīng)的視覺操作結(jié)果，而不要求用戶輸入精確匹配后端模塊條件。然而，該工作在增強交互性方面仍有很大的提升空間。例如，從閉源的Midjourney系統(tǒng)汲取靈感，不論LLM在每一步做出何種決定，系統(tǒng)都應(yīng)積極向用戶提供反饋，以確保其行動和決策與用戶意圖一致。

l 模態(tài)能力

當前，Vitron集成了一個7B的Vicuna模型，其可能對其理解語言、圖像和視頻的能力會產(chǎn)生某些限制。未來的探索方向可以發(fā)展一個全面的端到端系統(tǒng)，比如擴大模型的規(guī)模，以實現(xiàn)對視覺的更徹底和全面的理解。此外，應(yīng)該努力使LLM能夠完全統(tǒng)一圖像和視頻模態(tài)的理解。