尊龙人生就是博

搜索 猫眼影戏 融媒体矩阵
  • 山东手机报

  • 猫眼影戏

  • 公共网官方微信

  • 公共网官方微博

  • 抖音

  • 人民号

  • 全国党媒平台

  • 央视频

  • 百家号

  • 快手

  • 头条号

  • 哔哩哔哩

首页 >新闻 >社会新闻

逾越CoT!微软剑桥中科院提出MVoT,直接可视化多模态推理历程

2025-02-14 01:53:56
来源:

猫眼影戏

作者:

牟卫东

手机检察

  猫眼影戏记者 周筱 报道P6F9A2Y5R3B1T0V4X8W

新智元报道 编辑:KingHZ 【新智元导读】近日,微软和剑桥大学宣布推理新要领:多模态思维可视化MVoT。新要领可以边推理,边「想象」,同时利用文本和图像信息学习,在实验中比CoT拥有更好的可解释性和稳健性,庞大情况下甚至比CoT强20%;箍梢杂隒oT组合,进一步提升模型性能。 大模型也学会了「空间想象力」?还可以自己解释自己? 在大语言模型(LLMs)和多模态大语言模型(MLLMs)中,思维链(CoT)在庞大推理方面很是有效。 然而,关于庞大的空间推理,CoT体现不佳。 但人类的认知能力不但限于语言,还能够同时用词语和图像推理。 受这一机制的启发,来自微软研究院、剑桥大学和中科院的研究人员,在思维链提示的基础上,提出了空间推理(spatial reasoning)新范式:多模态思维可视化(MVoT)。 论文地点:https://arxiv.org/pdf/2501.07542 将思维链(CoT)扩展到多模态模型,已有的要领尽管能够处理文本和图像,但或者严重依赖于独立的视觉?榛蛲獠抗ぞ,难以适应更庞大的空间推理任务;或者可视化太过简化,推理历程难以理解。 论文作者Chengzu Li在X上解释MVoT的焦点设计理念:「MVoT逾越了思维链(CoT),可以让AI利用生成的视觉图像去想象它的思考。通过融合语言和视觉推理,MVoT使庞大问题的解决变得越发直观、可更具解释性、越发强大。」 具体而言,MVoT要微调自回归多模态大语言模型(MLLM)。为了提升推理历程的可视化质量,引入了token差别损失,弥补了划分训练的分词器(tokenizer)的差别。 文章亮点: 多模态思维可视化(MVoT)将文本与视觉统一在推理历程中,将自然生成视觉思维作为推理历程的一部分。 在Chameleon-7B中实现了MVoT,并在自回归多模态大语言模型(MLLM)中引入了token差别损失(token discrepancy loss),以弥补划分训练的文天职词器和图像分词器之间的差别。 实验结果标明,MVoT在庞大场景中比思维链(CoT)更优的适应性和稳健性。 MVoT和CoT组合可以进一步提高性能上限。 架构 给定一个多模态输入序列,模型需要生成交织的多模态思维,作为推理历程的组成部分,并最终生成最终谜底。 设 体现一个预训练的多模态大语言模型(MLLM),其参数为θ,x体现多模态输入序列,z和v划分体现语言思维序列和图像思维序列。 在多跳(multi-hop)空间推理任务中,给定输入x,思维链(CoT)提示生成中间办法 其中每个样本基于输入和之前生成的办法顺序采样。最终的输出基于所有先前的办法得出。 MVoT通过为每其中间办法添加图像v^i可视化来增强这一历程,然后凭据先前的办法 和可视化 采样后续办法,如图1所示。 图1:多模态思维可视化(MVoT)推理历程与其他要领的比照 多模态思维可视化(MVoT)让多模态大语言模型(MLLMs)能在差别模态之间生成交织的推理轨迹。 古板的CoT仅依赖于语言思维,而MVoT则通过增进视觉思维来可视化推理轨迹。 这个推理范式类似于人类的认知方法,能够无缝地在文字和图像之间进行思维。 训练 多模态序列建模如图3所示,使用Chameleon的架构,利用统一的Transformer来处理图像和文本token。 该架构集成了两个tokenizer: 图像tokenizer使用离散的码本(codebook)将输入图像编码为一系列图像token;文本tokenizer则将文本数据映射为相应的token序列。 这些token序列被连接在一起并由因果Transformer模型处理。 损失函数 因果Transformer模型利用下一个token预测目标进行微调,同时两个tokenizer在整个历程中坚持冻结状态。 训练的损失函数要同时考虑图像token差别损失 ,以及文本token和图像token的交叉熵损失 ,界说如下。 其中token差别损失要对与真实标签显著偏离的token施加处分,弥合了语言建模与视觉嵌入空间之间的差别,同时确保梯度的连续性。 实验结果 有效性实验 作者在三个动态空间推理任务中进行大宗实验,验证了MVoT的有效性。 MAZE和MINIBEHAVIOR聚焦于与空间结构的交互,而FROZENLAKE强调在动态情况中的细粒度模式识别。 实验结果标明,MVoT在任务中的体现具有竞争力,在高难度的FROZENLAKE场景中,MVoT的体现比古板的思维链(CoT)横跨了20%多。 差别系统变体在任务中的实验结果。 三个模拟任务的实验结果标明,Direct保存过拟合问题,准确率约为70%。 GPT-4o的体现更差。相比之下,MVoT展现出不绝的革新。 在MAZE和MINIBEHAVIOR上,MVoT的准确率凌驾90%,可与CoT相媲美。 而在FROZENLAKE上,MVoT的准确率为85.60%,优于Direct和CoT。 这标明MVoT比CoT拥有更好的稳定性和稳健性。 别的,MVoT还提供了语言和视觉形式的中间推理状态,可以更清晰、更直观地舆解推理历程。 定性剖析 图4展示了FROZENLAKE中生成图像的正确与过失示例。 可视化生成的过失分类如下: (1)过失可视化(Wrong Visualization):生成的可视化内容禁绝确。 (2)多余图形(Redundant Patterns):在预期修改区域外可视化了不须要或无关的图形。 图4:定性剖析示意图。 别的,与MAZE和MINIBEHAVIOR相比,在FROZENLAKE任务中,视察到随着模式庞漂后的增加,生成图像的细节经;岜涞媚:。 在重建的图像与原始图像之间也视察到类似的差别。 这种变异性经常导致细粒度细节的丧失或扰动,反应了MLLM在表达能力上的局限性。 定量剖析 为了评估生成的视觉推理的质量,基于已识别的过失类型界说了自动化评估指标: 可视化准确率(V-Acc.):权衡在网格中对应于下一步操作的预期修改是否被准确可视化。 可视化模式冗余度(V-Red.):评估目标修改区域之外是否保存非预期的视觉模式。 可视化正确办法(V-Steps):操作序列中前k个连续正确可视化的平均长度。 可视化正确比率(V-Ratio):操作序列中前k个连续正确可视化的平均比例。 作者报告了MAZE和MINIBEHAVIOR中可视化位置的定量结果,如下所示。 表3:token差别损失对MVoT视觉思维定量指标的影响 上图中,最佳结果以加粗形式标出。带有↑的指标体现值越高性能越好,反之亦然。 Token差别损失函数剖析 Token差别损失提高了可视化的准确性并减少了冗余。 如表3所示,token差别损失增强的MVoT能够生成高度准确且模式冗余最小的可视化内容。 纵然在递归生成场景中,在推理历程中依然实现了95%的平均正确和连续可视化。 相比之下,缺少token差别损失会显著降低生成质量:没有的MVoT经;嵘啥嘤嗤夹,且未能准确捕获状态转换。 这些结果与图像编辑场景中的发明一致,如图5所示,图中展示了MAZE在差别训练周期的定量指标。 图5:MAZE在差别训练周期的定量指标 MVoT和CoT的组合 MVoT在推理中与CoT的能力可以相互增补。 正如作者Chengzu Li所言:「MVoT不会取代CoT,而是提升了CoT。通过组合MVoT和CoT,多模态推理和语言推理的协同作用解锁了性能上限,证明两种推理范式可能比一种更好!」 在两种要领的组合中,如果MVoT或CoT中的任一要领生成了正确的预测,则认为该数据点正确。 如表4所示,在MAZE和MINIBEHAVIOR上,上限性能抵达了接近100%的准确率;在FROZENLAKE上,抵达了92%的准确率。 表4:通过组合CoT和MVoT在三个任务中的预测所抵达的性能上限。 文中也讨论了消融实验,并在附录中给出了更多的实验细节。 虽然,这项研究也有局限性,作者建议借鉴扩散模型中的图像生成技术,作为未来革新的偏向。 别的,在推理历程中,显式生成可视化会引入盘算开销。 为了解决这一问题,作者提倡进一步研究使用更少token的紧凑的图像体现,以降低可视化生成的盘算本钱。 作者介绍 共一作者Chengzu Li在微软研究院实习时加入了全程事情。目前,他是剑桥大学语言技术实验室的盘算、认知与语言学博士生。在攻读博士学位之前,他在剑桥大学盘算机科学系获得了高级盘算机科学硕士学位。他本科就读于西安交通大学自动化专业。 共一作者Wenshan Wu, 目前是微软亚洲研究院(MSRA)的高级研究软件开发工程师。之前,曾在腾讯担当软件工程师。她从中国科学院获得了硕士学位。 参 考资料: https://arxiv.org/abs/2501.07542 https://x.com/li_chengzu/status/1879168974988173573

??时事1:中文字幕无码在线视频

??02月14日,塑料污染政府间谈判委员会第五次会议在韩国釜山召开,

  “狈村的杂种你们全部去死吧!”石林虎怒吼。

,天天砰天天插。

??02月14日,北京油鸡回京记,

  一座神庙发光,宛若是以一块又一块金子筑成,沐浴在霞辉中,神圣无比,它位于雨族最深处,光雨飞洒。

,色综合久久中文,亚洲国产精品无码久久AR换脸,冷少辰把童若放在钢琴上。

??时事2:黑土脚法娴熟

??02月14日,韩国京畿道发生交通事故 警方确认3名中国公民遇难,

  过去有一父子俩,各背着一袋大米在沙路上行走,父亲因年迈被路边的石子磕绊了一下摔倒,大米淌在了沙路上,儿子急遽将带沙子的大米装进口袋,回抵家后,儿媳把大米里的沙子捡了一遍,大米下锅了,儿媳把第一碗米饭盛给父亲,父亲吃了第一口就吃出沙子,父亲很不满意,让儿子又重新捡了一遍沙子,下锅后仍然吃出了沙子。无奈,父亲亲自捡了一遍沙子,结果照旧同样吃出了沙子。从这个故事可以说明,如果品质出了问题,你就是费再大的劲,也不可弥补已经造成的损失。从而说明了质量事前控制的重要性。

,鬼灭之刃祢豆子被×到哭,J雷电将军K迈开腿打扑克,涩之味永久下载app。

??02月14日,每天售出200万本!图书市场搭上抖音电商“快车”,

  “吱吱!”毛球从小不点的肩头跳到了象头上,叫个不绝,像是在宣告,这头猎物属于它。

,翘臀美女后式动态图啪啪,久久精品国产99久久久电影,你懂得的app下载。

??时事3:正在播放国产精品台湾网红

??02月14日,佘诗曼三封TVB视后 《新闻女王》获最佳剧集,

  所有人都怀疑。他来自哪里,大都出自太古神山,或者那些与世阻遏的古老禁地,要不然怎会不知。

,91国自产拍精品换脸,男男涩涩涩视频在线观看,黑人特级黄色网站。

??02月14日,如何让少数民族传统体育进入更多人的视野,

  小红鸟恼怒,它投鼠忌器,不敢大动干戈,而这头凶狂的生灵却无所忌惮,直接一口吞掉了数千万人。

,草莓短视频所有版本app有哪些,国内精品一区二区三区app,福建兄妹张婉莹赵小贝。

??时事4:成都4片p完整版视频图片

??02月14日,16岁前不注册社交账号!杭州一学校发倡议,引发热烈讨论,

  小不点抬头,眸子中射出两道惊人的光束,眼底化生出两个符文,迫人之际。

,宅宅网2017年最新伦理,青春期如何使几把变大变长,黄片儿黄片儿黄片儿。

??02月14日,第十五届中国航展“苏-57”圈粉,

  “那帮活该的流寇!”石林虎咬牙,擦了一把脸上的血,那里有一道被马鞭抽伤的口子,还在淌血。

,精东iosJD126怦然心动的小姐姐,看片av网站在线播放,佐佐木明希在线。

责编:王自健

审核:张耒

责编:华业新

相关推荐 换一换

Copyright (C) 2001-2025   dzwww.com. All Rights Reserved

新闻信息效劳许可证 - 音像制品出书许可证 - 广播电视节目制作经营许可证 - 网络视听许可证 - 网络文化经营许可证

山东省互联网传媒集团主办  联系电话:0531-85193202  违法不良信息举报电话:0531-85196540

鲁ICP备09023866号-1   鲁公网安备 37010202000111号  

Copyright (C) 2001-2025 Dzwww   鲁ICP备09023866号-1

网站地图