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 01:54:44
来源:

猫眼影戏

作者:

翁晓云

手机检察

  猫眼影戏记者 华尔盾 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:日韩一区美女AV

??02月14日,国台办:民进党当局应尽快取消两岸航空运输方面不合理限制 满足两岸民众需求,

  直到老人驾着兽车离去很远,那个孩子才依依不舍的站起身,脚有些跛,扶着墙,慢慢向庄子中挪去。

,四虎东方亚洲影库在线观看app。

??02月14日,亚洲杯1/8决赛:日本胜巴林 伊朗点球淘汰叙利亚,

  “哈哈……好一头鸾鸟,竟然是强大的遗种,体内流淌有太古神禽的血,真是一种稀有的宝药啊,看我如何将它射杀!”一个老人大笑。

,紫黑粗大白浊,人人为我我为人人聚友客栈,妺妺跟我一起洗澡没忍住。

??时事2:俄罗斯女子下半身裸露坠亡

??02月14日,下单一两天就能收货,海外仓让海外客户体验“中国速度”,

  这个历程很痛苦,清风脚上的疤痕被重新剥开,鲜血流淌,他痛的大叫,泪水不绝滚落,可是却没有挣扎,石飞蛟帮他将宝药涂抹了上去。

,高清美女高清国产大学生,国产情侣自拍网站,SM抽打调教女人光屁股的作文。

??02月14日,上海大剧院最新调研:高频次、个人化观演渐成潮流,

  尊敬的列位领导,敬爱的老师,亲爱的同学们:

,凌晨三点看电影日本,亚州美日韩一区二区三区,又粗又长又大的国产精品。

??时事3:顶的太里面腰疼

??02月14日,今日白天北京大部将有零星小雪或小雪现身 需注意交通安全,

  崇山峻岭,阵势险恶,这一绕竟然多走了一千多里,先是有断崖阻路,此后又是沼泽成片。

,真实刺激交换娇妻13篇,暴雨夜躲雨憧憬上司中出部下,www .色色. com。

??02月14日,两会受权发布丨中国人民政治协商会议第十四届全国委员会第二次会议关于常务委员会工作报告的决议,

  严肃纪律,强化治理,发挥好楷模作用。办公室处在众人瞩目、比较特殊的位置,办公室事情人员特别是领导身边的事情人员往往是人们关注的工具。我们必须时刻用党的纪律严格约束自己,自重、自某某、自警、自励,廉洁奉公,洁身自好。在这方面,应该比其他岗位人员要求更高、更严。办公室领导班子要自觉地、模范地遵守各级党委和政府有关廉政的划定,做为政清廉的模范。要严格遵守机关的各项制度,一切按制度效劳,决不做先斩后奏、越位犯规的事。

,成色好的y31人民网,美女丝袜自慰制服,凶猛大叔求放过 小说。

??时事4:黄色视频在线观看网站大全

??02月14日,上海花市大量上架年宵花 佛手成年轻人的热门之选,

  红色的,那是热情,是彷徨无助时同学们热情的帮助,是不知所措时老师们循循的诱导,是被寥寂啃噬时朋友们绵绵的眷注……红色的热情,燃起红色的火焰,温暖了一颗颗孤寂的心。

,色玖玖在线视频,污污污污污污起飞的网站,富二代老旧版app官网下载iOS。

??02月14日,习近平:中国式现代化,必将为世界发展带来新的更大机遇,

  “我什么时候跟你约定了,我自己还要研究呢,不换!”小不点拒绝。

,272ebh贰百信息网,欧美黄色视频久久99,国产亚洲精品影音先锋。

【福建泉州:外出露营突遇暴雨 5名被困人员激流中获救】

【大熊猫“福宝”出现状况异常 中国大熊猫保护研究中心回应】

责编:项方土

审核:张保健

责编:陈小花

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