视觉干草堆：评估大型多模态模型处理海量图像信息的新基准

📢 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)

人类擅长处理大量的视觉信息，这是实现通用人工智能（AGI）的关键技能。几十年来，人工智能研究人员开发了视觉问答（VQA）系统，用于解释单个图像中的场景并回答相关问题。尽管最近基础模型的进步显著缩小了人类与机器视觉处理之间的差距，但传统的VQA系统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。

这种限制在更复杂的场景中带来了挑战。例如，在医学图像集合中辨别模式、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图、分析大型艺术收藏中的主题元素，或从零售监控录像中理解消费者行为。这些场景中的每一个都不仅需要跨数百甚至数千张图像进行视觉处理，还需要对这些发现进行跨图像处理。为了解决这一差距，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：第一个“以视觉为中心”的“针找干草”（NIAH）基准，旨在严格评估大型多模态模型（LMMs）处理长上下文视觉信息的能力。

如何对MIQA中的VQA模型进行基准测试？

“针找干草”（NIAH）挑战最近已成为基准测试LLM处理包含“长上下文”的大量输入数据（如长文档、视频或数百张图像）能力的最流行范式之一。在此任务中，包含特定问题答案的关键信息（“针”）被嵌入到大量数据（“干草堆”）中。系统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基准由谷歌在其Gemini-v1.5技术报告中引入。在该报告中，他们要求模型从大型视频的单个帧中检索叠加的文本。事实证明，现有模型在该任务上表现出色——主要是因为它们强大的光学字符识别（OCR）检索能力。但如果我们提出更多视觉问题，模型是否仍然表现良好呢？

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。这个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，每组包含1到10K张图像。与以往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，每个挑战都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，以确保仅仅依靠猜测或常识推理而无需查看图像无法获得任何优势（即在二元QA任务中只能达到50%的准确率）。

• 单针挑战：干草堆图像中只存在一张“针”图像。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：干草堆图像中存在两到五张“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，是否有任何一张包含目标对象？”

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）在处理大量视觉输入时面临的重大挑战。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，涵盖单针和多针模式。此外，我们还包含了一个“描述生成”（Captioning）基线，采用两阶段方法：首先使用LLaVA对图像进行描述生成，然后使用Llama3根据文本内容回答问题。以下是三个关键见解：

1. 视觉干扰的挣扎

   在单针设置中，随着图像数量的增加，性能明显下降，尽管（在Gemini风格的文本NIAH基准中不存在此情况的）神谕准确率很高——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项时。此外，必须强调开源LMM（如LLaVA）的局限性，由于其2K的上下文长度限制，它只能处理多达三张图像。另一方面，像Gemini-v1.5和GPT-4o这样的专有模型，尽管声称具有扩展的上下文能力，但由于API调用时的有效载荷大小限制，当图像数量超过1K时，经常无法处理请求。

   
   单针问题的VHs性能。随着干草堆大小（N）的增加，所有模型的性能都出现显著下降，表明它们都不是对视觉干扰项稳健的。E：超出上下文长度。

2. 跨多图像推理的难度

   有趣的是，与使用LLaVA（描述生成模型）和Llama3（LLM聚合器）的基本方法相比，所有基于LMM的方法在单图像QA和所有多针设置中（图像数量为5张以上时）表现都很弱。这种差异表明，尽管LLM能够有效地整合长上下文描述，但现有的基于LMM的解决方案不足以处理和整合跨多图像的信息。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Gemini-1.5/GPT-4o在更大的图像集（50张）下准确率下降到50%（如同随机猜测）。

   
   多针问题的VHs结果。所有具有视觉感知能力的模型表现都很差，这表明模型发现隐式整合视觉信息具有挑战性。

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”图像在输入序列中位置的影响。例如，当“针”图像紧接在问题之前放置时，LLaVA表现更好，否则性能会下降多达26.5%。相比之下，专有模型在图像位于开头时通常表现更好，而在不在此位置时会下降多达28.5%。这一模式与自然语言处理（NLP）领域中看到的“中间丢失”（lost-in-the-middle）现象相呼应，即信息位于上下文的开头或结尾会影响模型的性能。这种问题在以前仅要求文本检索和推理的Gemini风格NIAH评估中并不明显，突显了我们的VHs基准带来的独特挑战。

   
   不同图像设置下，针位置与VHs性能的对比。当针位置不理想时，现有LMM的性能下降高达41%。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

根据上述实验结果，很明显，现有MIQA解决方案的核心挑战在于（1）在没有位置偏差的情况下，能够从大量可能不相关的图像中准确地检索相关图像，以及（2）整合这些图像中的相关视觉信息以正确回答问题。为解决这些问题，我们提出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），它将LLaVA模型扩展以处理MIQA任务。下图展示了我们的模型架构。

我们提出的范式包含几个组件，每个组件都旨在缓解MIQA任务中的关键问题：

1. 压缩现有编码：MIRAGE范式利用一个查询感知压缩模型，将视觉编码器标记压缩到更小的子集（小10倍），从而在相同的上下文长度内可以容纳更多的图像。

2. 采用检索器过滤掉不相关信息：MIRAGE使用一个与LLM微调在线训练的检索器，来预测图像是否相关，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的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张图像外，MIRAGE在大多数单针任务上实现了最先进的性能，尽管其单图像QA骨干相对较弱（每张图像只有32个标记！）

我们还在各种VQA任务上对MIRAGE和其他LMMs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率能力，显著优于GPT-4、Gemini-v1.5和大型世界模型（LWM）等强力竞争者。此外，它在单图像QA性能上也具有竞争力。

最后，我们将MIRAGE的协同训练检索器与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，但在处理类似问题的文本时，它们可能效果不佳。

总结

在这项工作中，我们开发了视觉干草堆（VHs）基准，并确定了现有大型多模态模型（LMMs）中的三个普遍缺陷：

1. 视觉干扰的挣扎：在单针任务中，随着图像数量的增加，LMMs的性能急剧下降，表明它们在过滤无关视觉信息方面面临重大挑战。

2. 跨多图像推理的难度：在多针设置中，像描述生成后接基于语言的QA这样的简单方法，表现优于所有现有的LMM，突显了LMMs处理跨多图像信息的能力不足。

3. 视觉领域的现象：专有和开源模型都对“针”信息在图像序列中的位置敏感，在视觉领域表现出“中间丢失”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通过创新的视觉标记压缩器、协同训练的检索器以及增强的多图像指令调优数据来解决这些挑战。

在探索完这篇博客文章后，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）前沿发展的一种手段。

最后，请查看我们的项目页面、arXiv论文，并点击我们的GitHub仓库中的星标按钮！

@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。