这个也是一个补充文，前9章基本把该讲的讲了，今天这个内容主要是因为Meta出了一个Chameleon，这个以后可能会成为LLaMA的一个很好的补充，或者说都有可能统一起来，叫LLaMA或者Chamleon或者什么别的，另外我司把Florence的第二个版本开源了，google的paligemma瞬间啥也不是了！
Chameleon 5月16日就发了论文，昨天才正式开源
论文地址：2405.09818 (arxiv.org)
github地址：facebookresearch/chameleon: Repository for Meta Chameleon, a mixed-modal early-fusion foundation model from FAIR. (github.com)
其实现在多模态的模型特别多，为什么拿它出来说事，主要原因是它是目前开源世界里面第一个实现和GPTo一样的架构也就是所有的模态共有一套端到端网络（但是它似乎没全实现，feature deleliver进度上来讲）
我们先看一个反面教材LLaVA
也不算反面教材吧，市面上大多数的多模态都是这样的，这种方式叫后融合。
怎么理解后融合呢？
如上图所示是一个实际的LLaVA架构，
根据上面图，我们一起来定义啥叫后融合：
- 视觉编码器与语言模型分开：图中左侧的LLAVA架构将视觉编码器（Vision encoder）和语言模型的encoder（Language model ）分开显示，这表明图像和语言的特征提取是独立进行的。（标粗标红）
- 融合在后续步骤进行：在视觉编码器处理完图像生成视觉特征Zv
后，这些特征通过投影（Projection W）得到视觉特征表示Hv
(升降维和语言模型的token一个维度比如4096)。然后这些视觉特征𝐻𝑣与语言指令Xq
被tokenizer给embedding出来的 Hq
在语言模型的LLaMA里面训练，这就叫后融合（Late Fusion）。
- 其实还是LLM：最后的训练其实还是LLM的训练模式，即把把视觉转换的语言维度的token和语言的token都当成语言token，本质上还是LLM的训练机制，然后你生成的东西其实也只有语言这种任务，说白了只能做VQA
那啥叫前融合？
）
Chameleon是同源架构，但是比Gemini做的更甚一些，因为Gemini的视觉的decoder是跟其他的没啥关系的，说白了，在视觉部分，比如video，picture啥的，它还得独立路由到单独的模型生成，Chameleon是完全的端到端但是没做完，这个版本的模型是不支持的
我是连测带问才知道的，所以说你们不能光看论文，你得上手啊，老铁！
讲到这估计大家可能对前融合后融合还是有点理不清，那看我下面的截图应该能明白了。
比如对于和Llava架构差不多的phi3-V,你去查它的tokenizer
就是还是text的，也只针对text的。
视觉的token实际还是视觉的组件来管理和处理（开源大多用clip其实是用里面的vit），只不过被一个线性层或者MLP给硬拉到语义token的维度
但是再看看Chameleon的tokenizer，一些奇怪的东西就出现了
没错，就是它的tokenizer已经不是纯语言的了，视觉（现在只有图片），也是直接被同一个tokenizer来处理的，但是干活的时候还得由视觉的encoder来干，它用的vq-gan
VQGAN的作用：
- 图像编码：
- VQGAN使用卷积神经网络（CNN）将输入图像分解成小块（patches）。
- 这些小块被进一步编码为一组离散的tokens，通过向量量化（Vector Quantization）将连续的特征映射到预定义的代码簇（codebook）。
- 图像生成（现在做不了）：
在生成过程中，VQGAN可以将这些离散tokens解码回图像。
结合多模态任务：
在多模态任务中（如图像-文本联合建模），VQGAN可以用来将图像数据表示为离散的tokens，这些tokens可以与文本tokens（原生就全是token，不用硬去拉齐维度）一起输入到一个联合模型中进行处理，如Transformer架构中。
为什么要这么做呢？因为大家知道所有的特征提取以后，是有自己的表征空间的，后融合比如llava，它就是自己玩自己的，然后强行拉到一个空间，这倒也行，也能训练，但是我们人类在接触信息的时候，是怎样的多模态呢？
那肯定是全编全解，比如你一边看电视一边聊微信，所有模态是一起进到你大脑来处理的，你一定有多个encoder，比如眼睛，耳朵，但是你不太可能有多个tokenzier，不同的模态天然在人类里面就是在一个表征空间里被表示的，也就是前融合。
对于模型来讲，在一个表征空间里也以为着进入到Transformer层训练天然能学到不同模态的一些关联信息，那效果自然是要比分着来，然后硬拉到一个维度好，因为每次tensor变形，实际上都是折损。
在帮着修了一个VQA的bug以后，体验了一下现阶段的进展，当然现阶段其实还是原型期，多模态也就做到VQA的级别，有几点可以说一下。
1- 没用任何现行的推理框架，但是真的超级快（我挺期待这部分的一些后续信息披露）
2- 不支持中文
微调也不够，皮卡丘它都不认识
如下面的例子所示，同样的任务在同源模型GPT4o上执行简直天差地别，当然你可以说它小，这个我不反对，我也不否认它的方式一定代表多模态的未来。但是它出来的过于高调了，宣称出道即和GPT4o的多模态能力平起平坐，这个纯扯淡了目前，属于是。（其实phi3-V目前它也比不了，我就是懒得开机器了）
当然还有很多具体的训练和模型的设计细节，例如文本的表征token，这玩意是离散的，而图像的表征，天生是连续的。
为了支持这些它在具体模型上也做了一些调整，一个关键的引入是QK-norm，这个到也常见，就是进softmax之前的QK值归一化一下，这样就防止了不稳定，防止梯度爆炸和消失
至于drop-out最后的结论似乎是加不加就那么回事。
这里有个trick，在7b的模型下面，QK-norm能显著的解决了不稳定，但是34b白扯，所以又把layer-norm给后撤了
其实这个就是swin Transformer的思想，具体来说，在transformer模块中使用了后撤LN的策略。Swin transformer规范化策略的优点在于，它可以限制前馈模块norm growth，而前馈即FFN，或者叫MLP模块的norm growth在SwiGLU激活函数的倍增效应下可能会变得非常麻烦。说白了就是给你MLP的时候就后撤步的norm一下，这样MLP拿到的值就小，好控制。
Chameleon我目前看不完美，还得进化，不过因为它是第一个把商用多模态的思路引入开源的小模型，（Meta就故意的，总整这事，因为小，所以玩的人多，自然就开源翘楚了，这个策略，屡试不爽）它和LLaMA一样，会成为一个开源世界的里程碑，这个到是应该按着剧本写的。
Florence-2
如果我没记错，1没开源(我说错了的话，请纠正我)，2突然就开了，也莫名其妙，简单说它就是比google的paligemma强很多倍的多CV任务的多模态。
什么是多CV任务呢?
其实你们现在玩的这种有一个算一个只能算是VQA任务。就是你问它图是啥，它回答一下，但是在CV计算机视觉领域，这只是一个很小的分支，比如你让GPT4o你说你把图给我分割一下，然后打框，对象检测啥啥的，它都干不了。
论文地址：2311.06242 (arxiv.org)
我为啥说它牛B呢
- 它和Chameleon不一样，它不是前融合，这个理论上来说是减分项
- 弱点就是只能做图文，且不能生成（其实chameleon现在也就这个进度）
- 但是！
- 它能做好几个CV任务，你能想到的它都能做
- 然后最大的才0.77b....
然后它的数据优化流程和反复训练的流程，其实某种程度上有点像NV的Nemotron-4 ，从时间线的角度上来讲，是Nemotron-4学它，毕竟它是先出的，就是没开源
它训练的时候本来就是多任务的prompts，恨不得把一张图能干的事都给榨干，比如下面的
1-标准VQA
2- Visual Granding
3- Dense Region Caption（从这就开始上强度了）
4- 开放词随便问的OD（比泛化）
5- OCR
6- 分割
这些你在CV领域干的活儿，它都可以弄
下面对比一下和其他的模型
这个就很明显了，不对比别的，就对比GPT4-V, florence-2直接把这个实际文字都给撸了下来，属于OCR+VQA任务一起做了，当然GPT-4V的工作也还行，但是比如非常有感情的，替我给Amelia一个拥抱这种句子，都被消融掉了，从这个角度讲，Florence的任务做的应该是最出色的。
也不是每个VQA任务都能完胜，比如这个，感觉Florence就有点近视眼
，路牌上告诉1/4个mile就出，它就没看到。
别的也比不了了，和这些多模态只能比VQA,因为别的任务它们也做不了。
上都有），同样的对象检测，明显florence-2更胜一筹。
总结就是从趋势和新势力的角度，我觉得chameleon前融合必然是未来，以后多模态肯定都是前融合，但是你不能光概念好，细活儿也得拿的出手，另外一个维度就是florence的这种，传统CV复杂任务也会介入到多模态生意里面，比如你问一个搞自动驾驶的，它选florence还是GPT4o，他想都不想肯定选florence啊，因为这些任务是必须的，是和他手头现在的业务高相关的。
总而言之，Bye，下期见！
多模态8
多模态 · 目录
上一篇多模态MLLM都是怎么实现的(9)-时序LLM是怎么个事儿？
