视觉干草堆（Visual Haystacks）：针对图像集合的更难问题的回答基准

📢 转载信息

原文链接：http://bair.berkeley.edu/blog/2024/07/20/visual-haystacks/

原文作者：Berkeley AI Research (BAIR)

人类擅长处理海量的视觉信息，这项技能对于实现通用人工智能（AGI）至关重要。几十年来，AI研究人员开发了视觉问答（VQA）系统来解释单个图像中的场景并回答相关问题。尽管最近基础模型取得了显著进展，在人类与机器视觉处理的差距上取得了显著缩小，但传统的VQA一直局限于一次只能推理单个图像，而不是整个视觉数据集合。

这种局限性在更复杂的场景中带来了挑战。例如，辨别医学图像集合中的模式、通过卫星图像监测森林砍伐、利用自主导航数据绘制城市变化地图、分析大型艺术品收藏中的主题元素，或理解零售监控录像中的消费者行为。这些场景中的每一个都不仅需要在数百甚至数千张图像上进行视觉处理，而且需要对这些发现进行跨图像处理。为了弥补这一差距，本项目专注于“多图像问答”（MIQA）任务，这超出了传统VQA系统的能力范围。

视觉干草堆（Visual Haystacks）：第一个“以视觉为中心”的“大海捞针”（NIAH）基准，旨在严格评估大型多模态模型（LMMs）在处理长上下文视觉信息方面的能力。

如何对MIQA中的VQA模型进行基准测试？

“大海捞针”（NIAH）挑战最近已成为衡量LLM处理包含“长上下文”的输入的能力的最流行范式之一，这些输入包含大量输入数据（如长文档、视频或数百张图像）。在此任务中，包含特定问题答案的关键信息（“针”）嵌入在大量数据（“干草堆”）中。系统随后必须检索相关信息并正确回答问题。

第一个用于视觉推理的NIAH基准是由Google在其Gemini-v1.5技术报告中引入的。在该报告中，他们要求模型从大的视频中检索覆盖在单个帧上的文本。结果发现现有模型在此任务上表现相当不错——主要归功于其强大的OCR检索能力。但是，如果我们提出更多视觉问题呢？模型的表现是否依然出色？

什么是视觉干草堆（VHs）基准？

为了评估“以视觉为中心”的长上下文推理能力，我们引入了“视觉干草堆（VHs）”基准。该新基准旨在评估大型多模态模型（LMMs）在大型不相关图像集上的视觉检索和推理能力。VHs包含大约1K个二元问答对，每个集合包含从1到10K不等的图像。与以前专注于文本检索和推理的基准不同，VHs的问题集中于识别特定视觉内容（如物体）的存在，利用COCO数据集中的图像和注释。

VHs基准分为两个主要挑战，每个挑战旨在测试模型在响应查询之前准确定位和分析相关图像的能力。我们精心设计了数据集，以确保仅仅依靠常识推理而无需查看图像而不会获得任何优势（即，在二元QA任务上达到50%的准确率）。

• 单针挑战（Single-Needle Challenge）：在图像干草堆中只有一个“针”图像存在。问题被构建为：“对于带有锚定对象的图像，是否存在目标对象？”

• 多针挑战（Multi-Needle Challenge）：在图像干草堆中存在两到五个“针”图像。问题被构建为：“对于所有带有锚定对象的图像，它们是否都包含目标对象？”或“对于所有带有锚定对象的图像，它们中是否有任何一个包含目标对象？”

VHs的三个重要发现

视觉干草堆（VHs）基准揭示了当前大型多模态模型（LMMs）在处理广泛的视觉输入时所面临的严峻挑战。在我们的实验¹中，我们评估了包括LLaVA-v1.5、GPT-4o、Claude-3 Opus和Gemini-v1.5-pro在内的多个开源和专有方法，涵盖了单针和多针模式。此外，我们还加入了一个“字幕”基线，采用两阶段方法，首先使用LLaVA为图像生成字幕，然后使用Llama3使用这些字幕的文本内容来回答问题。以下是三个关键见解：

1. 在视觉干扰物面前的挣扎

   在单针设置中，尽管保持了很高的“神谕准确率”（oracle accuracy），但随着图像数量的增加，性能出现了明显的下降——这种情况在先前的基于文本的Gemini风格基准测试中并未出现。这表明现有模型可能主要在视觉检索方面遇到困难，尤其是在存在具有挑战性的视觉干扰物时。此外，必须强调开源LMM（如LLaVA）的局限性，由于2K的上下文长度限制，它们最多只能处理三张图像。另一方面，专有模型如Gemini-v1.5和GPT-4o，尽管声称具有扩展的上下文能力，但在使用API调用时，由于有效载荷大小限制，当图像数量超过1K时，它们通常无法处理请求。

   
   单针问题在VHs上的性能。随着干草堆大小（N）的增加，所有模型的性能都显著下降，表明它们对视觉干扰物都不具备鲁棒性。E：超出上下文长度。

2. 跨多图像推理的困难

   有趣的是，与将字幕模型（LLaVA）与LLM聚合器（Llama3）链接在一起的基本方法相比，所有基于LMM的方法在单图像QA中涉及5张以上的图像以及所有多针设置中的性能都很弱。这种差异表明，虽然LLM能够有效地整合长上下文字幕，但现有的基于LMM的解决方案不足以处理和整合跨多个图像的信息。值得注意的是，在多图像场景中性能急剧下降，Claude-3 Opus在仅使用神谕图像时表现不佳，而当图像集增大到50张时，Gemini-1.5/GPT-4o的准确率下降到50%（就像随机猜测一样）。

   
   多针问题在VHs上的结果。所有具有视觉感知能力的全模型表现都很差，表明模型难以隐式地整合视觉信息。

3. 视觉领域的现象

   最后，我们发现LMM的准确性在很大程度上受到“针头”图像在输入序列中位置的影响。例如，当“针头”图像紧接在问题之前放置时，LLaVA表现出更好的性能，否则性能下降高达26.5%。相比之下，专有模型通常在图像位于开头时表现更好，而在不处于开头时性能下降高达28.5%。这种模式与自然语言处理（NLP）领域中看到的“迷失在中间”（“lost-in-the-middle”）现象相呼应，其中位于上下文开头或结尾的关键信息会影响模型的性能。在仅要求文本检索和推理的先前Gemini风格的NIAH评估中没有发现这个问题，这凸显了我们VHs基准带来的独特挑战。

   
   不同图像设置下，“针头”位置与VHs性能的对比。当“针头”未处于理想位置时，现有LMMs会表现出高达41%的性能下降。灰色框：超出上下文长度。

MIRAGE：一种基于RAG的改进VHs性能的解决方案

基于上述实验结果，很明显，现有MIQA解决方案的核心挑战在于（1）在海量的可能不相关的图像中准确地检索相关图像而不产生位置偏差的能力，以及（2）整合这些图像中的相关视觉信息以正确回答问题的能力。为解决这些问题，我们引入了一种开源且简单的单阶段训练范式——“MIRAGE”（多图像检索增强生成），它扩展了LLaVA模型以处理MIQA任务。下图展示了我们的模型架构。

我们提出的范式由几个组件组成，每个组件旨在缓解MIQA任务中的关键问题：

1. 压缩现有编码：MIRAGE范式利用查询感知的压缩模型将视觉编码器令牌减少到更小的子集（小10倍），从而在相同的上下文长度内容纳更多图像。

2. 采用检索器过滤掉不相关信息：MIRAGE使用与LLM微调在线训练的检索器，来预测一张图像是否相关，并动态丢弃不相关的图像。

3. 多图像训练数据：MIRAGE使用多图像推理数据和合成多图像推理数据来增强现有的单图像指令微调数据。

结果

我们使用MIRAGE重新审视VHs基准。除了能够处理1K或10K图像外，尽管其单图像QA骨干较弱（每张图像只有32个token！），MIRAGE在大多数单针任务上实现了最先进的性能！

我们还在各种VQA任务上对MIRAGE和其他基于LMM的模型进行了基准测试。在多图像任务上，MIRAGE展现出强大的召回率和精确度能力，显著优于GPT-4、Gemini-v1.5和大型世界模型（LWM）等强劲竞争者。此外，它在单图像QA性能上也表现出竞争力。

最后，我们将MIRAGE的共同训练的检索器与CLIP进行了比较。我们的检索器在不损失效率的情况下，性能明显优于CLIP。这表明，虽然CLIP模型可以成为开放词汇图像检索的良好检索器，但它们在处理类似问题的文本时可能效果不佳！

最后的评论

在这项工作中，我们开发了视觉干草堆（VHs）基准，并发现了现有大型多模态模型（LMMs）中存在的三个普遍缺陷：

1. 在视觉干扰物面前的挣扎：在单针任务中，随着图像数量的增加，LMMs表现出急剧的性能下降，表明在过滤掉不相关的视觉信息方面存在重大挑战。

2. 跨多图像推理的困难：在多针设置中，像字幕后跟基于语言的QA这样的简单方法胜过了所有现有的LMMs，突显了LMMs跨多图像处理信息的能力不足。

3. 视觉领域的现象：专有模型和开源模型都对“针头”信息在图像序列中的位置敏感，在视觉领域表现出“迷失在中间”的现象。

作为回应，我们提出了MIRAGE，一个开创性的视觉检索增强生成器（视觉-RAG）框架。MIRAGE通过创新的视觉令牌压缩器、共同训练的检索器以及增强的多图像指令微调数据来解决这些挑战。

在浏览完这篇博客文章后，我们鼓励所有未来的LMM项目使用视觉干草堆框架对模型进行基准测试，以便在部署前识别和纠正潜在的缺陷。我们还敦促社区探索多图像问答，作为推动真正通用人工智能（AGI）发展前沿的一种手段。

最后，请查看我们的项目页面、arxiv论文，并点击我们的github仓库上的星标按钮！

@article{wu2024visual, title={Visual Haystacks: Answering Harder Questions About Sets of Images}, author={Wu, Tsung-Han and Biamby, Giscard and and Quenum, Jerome and Gupta, Ritwik and Gonzalez, Joseph E and Darrell, Trevor and Chan, David M}, journal={arXiv preprint arXiv:2407.13766}, year={2024} } 

🚀 想要体验更好更全面的AI调用？

欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。