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 01:51:26
来源:

猫眼影戏

作者:

安东妮

手机检察

  猫眼影戏记者 西布罗姆维奇 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:美女厕拍嘘嘘电影极品

??02月14日,超130款新闻资讯鸿蒙原生应用搭载AI技术、意图框架、服务卡片等能力 完成上架,

  它迅速转身,此后猛的一跃,直接向着小不点扑去,这可是一头数十米长的庞然大物,这若是击中,必是山崩地裂 。

,护士日本✘XXX丰满 。

??02月14日,旅新大熊猫“叻叻”平安抵达成都,

  一是实施“阳光村务” 。要严格落实每月10日村务民主果真日制度,通过村务果真栏、征求意见箱、果真纪录簿、村民说事会,对群众关注的玉米制种、村财收支、资产治理、公地承包、特困户按期补贴等问题进行全面真实地果真,交给群众一本“明白帐”,让村民实时了解村上的家底和经济运行情况,增进对村里事情的理解和支持,消除群众疑虑,理顺干群关系,维护社会稳定 。

,国产精品毛片A∨,国产欧美精品一区二区性色,视频聊天大尺寸听指挥在哪里不收费 。

??时事2:91久久久精品无码一区一一区

??02月14日,问道高质量发展,两会布局“未来中国”,

  同学听了就赶忙把垃圾捡起来,扔到路旁的垃圾桶 。有一位同学说:对,我们要一齐;で榭,让家园的水更清,树木更绿,空气更清新 。

,国模人体GOGO,爱情岛亚洲论坛线路一,欧美 亚洲 色 图 88 。

??02月14日,报告显示中国中小企业景气指数实现年度“两连升”,

  “行,有把力气啊,还真轮起来了 。”有人颔首 。

,太子在秋千上要了我,www.8x8x拔插拔插影库永久免费,国产精品分类在线播放 。

??时事3:小日本视频视频app

??02月14日,糖尿病须终身服药?这些情况可以“缓解”,

  近年来,在上级有关部分的亲切体贴与大力支持下,我区积极增强与海内外科研院所及高校的联系,引进专业人才,开展政产学研相助,着力营造科技立异气氛,推动工业优化升级,使我区科技事情迅速生长 。全区各级科技型企业数量、担负市级以上科技项目数量、获各级科技奖、专利奖数量、发明专利、实用新型专利的申请量和授权量均位居全市各区之首 。

,亚洲国产福利精品网站,24www视频,女人读心经的好处 。

??02月14日,广西桂平:冬季蔬菜喜丰收 田间地头采摘忙,

  武王败了!

,午夜国产理论在线,为什么纵欲过度会长痘痘,鸭脖娱乐app下载丝瓜视频下载 。

??时事4:一本之岛狼人芒果视频

??02月14日,台湾7月CPI同比增2.52% 估8月蔬果价格续上涨,

  要牢固农业基础,加速农业结构调解,推进农业和农村现代化建设,就必须有一支高素质的农村下层干步队伍 。通过对新一届村居干部开展以政治理论和下层治理知识为主要内容的岗位培训,逐步提高村居干部的思想政治素质、廉洁奉公意识和事情能力,使新一届村居干部能够继续起领导农民群众致富奔小康,实现农业和农村现代化目标的重任 。目今宽大村居干部要进一步深入学习xx大精神和实践 “三个代表”的重要思想,牢记党的宗旨和斗争目标,始终坚持党的先进性,强化责任意识、革新意识、生长意识、效劳意识 。破除四种思想看法,即破除小富则满,小富则安,不富也安的思想,树立抢抓机缘,加速生长的意识;破除因循守旧,得过且过的思想,树立开拓立异,争创一流的意识;破除局部利益至上、个人利益至上的思想,树立全局看法和阵势看法意识;破除畏难无为的思想,树立高昂图强的意识,努力提高农村下层干部领导群众建设社会主义新农村的能力,加速我镇农业和农村现代化建设的程序 。

,丝袜御姐调教中出绝望高潮小说,蓝色导航-全面准确纯粹的网址导航,快穿之情欲羞耻(h)冉冉 。

??02月14日,雨雪天气,公众在户外活动时应注意什么?,

  孩子们马上脸色发白,知道惹了大祸 。

,国产AAA大片无码精品,国产免费黄色短视频网址,日本黄色网一带 。

【五台山景区自有车辆5月1日起单双号限行 试行一年】

【菲律宾一海军直升机紧急迫降致5人受伤】

责编:艾宏

审核:邵邦林

责编:阎旭东

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