视觉干草堆（Visual Haystacks）：评估大型多模态模型在处理长上下文视觉信息中的能力

📢 转载信息

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

原文作者：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）所必需的一项技能。几十年来，AI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。虽然最近基础模型（Foundation Models）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，而不是处理整个视觉数据集合。

这种限制在更复杂的场景中带来了挑战。例如，在医疗图像集合中辨别模式、通过卫星图像监测森林砍伐、使用自主导航数据绘制城市变化地图、分析大型艺术收藏品中的主题元素，或从零售监控录像中理解消费者行为。每个场景不仅需要在数百甚至数千张图像上进行视觉处理，还要求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)：首个“以视觉为中心”的“针在草堆里”（Needle-In-A-Haystack, 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。

如何在MIQA上对VQA模型进行基准测试？

“针在草堆里”（NIAH）挑战最近已成为一种流行的范式，用于基准测试LLM处理包含“长上下文”的输入的能力，即大量输入数据（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”）被嵌入到海量数据（“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基准是由谷歌在其Gemini-v1.5 技术报告中引入的。在该报告中，他们要求模型从大型视频的单个帧中检索覆盖的文本。事实证明，现有模型在此任务上表现良好——主要是因为它们强大的OCR检索能力。但如果我们提出更多视觉问题呢？模型的表现是否依然如此出色？

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。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，每个集合包含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（例如物体）的存在，使用的图像和注释来自COCO数据集。

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，以确保仅凭猜测或依赖常识推理而无需查看图像无法获得优势（即在二元QA任务上达到50%的准确率）。

• 单针挑战（Single-Needle Challenge）：草堆中只有一张“针”图像。问题表述为：“对于带有锚定物体的图像，是否存在目标物体？”

• 多针挑战（Multi-Needle Challenge）：草堆中存在两到五张“针”图像。问题表述为：“对于所有带有锚定物体的图像，它们是否都包含目标物体？”或“对于所有带有锚定物体的图像，它们中是否有任何一个包含目标物体？”

来自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。在我们对单针和多针模式的实验中¹，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。此外，我们增加了一个“字幕化”（Captioning）基线，采用两阶段方法，首先使用LLaVA对图像进行字幕化，然后使用Llama3利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. 与视觉干扰因素的斗争

   在单针设置中，尽管保持了很高的“理想情况”准确率，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式基准测试中并未出现。这表明现有模型主要在视觉检索方面遇到困难，尤其是在存在棘手的视觉干扰因素时。此外，必须强调开源LMM（如LLaVA）的限制，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，尽管专有模型如Gemini-v1.5和GPT-4o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，它们通常无法处理请求。

   
   单针问题在VHs上的性能。随着草堆大小（N）的增加，所有模型的性能都急剧下降，表明它们对视觉干扰因素的鲁棒性不足。E：超出上下文长度。

2. 跨多图像推理的困难

   有趣的是，与使用字幕模型（LLaVA）链式连接到LLM聚合器（Llama3）的基本方法相比，所有基于LMM的方法在单图像QA中超过5张图像时以及所有多针设置中的表现都很弱。这种差异表明，尽管LLM能够有效地整合长上下文的字幕，但现有的基于LMM的解决方案不足以处理和整合来自多张图像的信息。值得注意的是，在多图像场景中，性能急剧恶化，Claude-3 Opus在仅使用理想图像时表现出较弱的结果，而Gemini-1.5/GPT-4o在更大的50张图像集合上准确率下降到50%（如同随机猜测）。

   
   多针问题在VHs上的结果。所有具有视觉意识的模型表现不佳，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”图像在输入序列中的位置的影响。例如，当“针”图像紧邻问题放置时，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，而在不位于开头时性能下降高达28.5%。这种模式反映了自然语言处理（NLP）领域中看到的“居中丢失”（lost-in-the-middle）现象，即位于上下文开头或结尾的关键信息会影响模型性能。在先前的仅要求文本检索和推理的Gemini式NIAH评估中并未出现此问题，这突显了我们的VHs基准所带来的独特挑战。

   
   不同图像设置下，“针”位置与VHs性能的关系。当“针”位置不理想时，现有LMMs显示出高达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

基于以上实验结果，很明显，现有MIQA解决方案的核心挑战在于（1）能够在庞大的潜在不相关图像池中准确地检索相关图像而没有位置偏差，以及（2）从这些图像中整合相关的视觉信息以正确回答问题。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范式利用一个与查询相关的压缩模型，将视觉编码器令牌减少到一个更小的子集（小10倍），从而在相同的上下文长度内容纳更多的图像。

2. 采用检索器过滤掉不相关信息：MIRAGE使用一个与LLM微调同步训练的检索器，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重新考察了VHs基准测试。除了能够处理1K或10K张图像外，尽管其单图像QA骨干模型每张图像只有32个令牌，MIRAGE在大多数单针任务上仍取得了最先进（state-of-the-art）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展示了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）等强劲竞争对手。此外，它在单图像QA性能上也具有竞争力。

最后，我们将MIRAGE的共训练检索器与CLIP进行了比较。我们的检索器在不损失效率的情况下，性能显著优于CLIP。这表明，虽然CLIP模型可以作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，它们可能表现不佳！

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）中存在的三个普遍缺陷：

1. 与视觉干扰因素的斗争：在单针任务中，随着图像数量的增加，LMMs的性能急剧下降，这表明在过滤掉不相关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，像字幕化后接基于语言的QA这样的简单方法优于所有现有的LMMs，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：专有模型和开源模型都对“针”信息在图像序列中的位置敏感，在视觉领域表现出“居中丢失”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（visual-RAG）框架。MIRAGE通过创新的视觉令牌压缩器、共训练的检索器和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，以便在部署前识别并纠正潜在的缺陷。我们还敦促社区探索多图像问答，以推动真正通用人工智能（AGI）的前沿发展。

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。