视觉干草堆：评估多图像场景中大型多模态模型的推理能力

📢 转载信息

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

原文作者：BAIR

人类擅长处理海量的视觉信息，这项技能对于实现人工通用智能（AGI）至关重要。几十年来，AI研究人员开发了视觉问答（VQA）系统，用于解释单个图像中的场景并回答相关问题。尽管近年来基础模型的进步显著缩小了人机视觉处理之间的差距，但传统的VQA一直局限于一次只推理单个图像，而非处理整个视觉数据集合。

这种局限性在更复杂的场景中带来了挑战。例如，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。这些场景中的每一种情况，不仅需要在数百甚至数千张图像中进行视觉处理，还要求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（Visual Haystacks）：第一个“以视觉为中心”的“干草堆中找针”（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？

“干草堆中找针”（NIAH）挑战最近已成为基准测试LLM处理包含“长上下文”的输入（如长文档、视频或数百张图像）的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，他们要求模型从一个大视频的一帧中检索叠加的文本。事实证明，现有模型在此任务上表现出色——主要是由于它们强大的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如此出色？

什么是视觉干草堆（VHs）基准测试？

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）”基准测试。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张图像不等。与先前专注于文本检索和推理的基准测试不同，VHs的问题集中于识别特定视觉内容（如物体）的存在，使用的是来自COCO数据集的图像和注释。

VHs基准测试分为两个主要挑战，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（Single-Needle Challenge）：干草堆图像中只存在一个针图像。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（Multi-Needle Challenge）：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，其中是否有任何一张包含目标对象？”

VHs揭示的三个重要发现

视觉干草堆（VHs）基准测试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¹中，我们评估了多种开源和专有方法，包括LLaVA-v1.5、GPT-4o、Claude-3 Opus和Gemini-v1.5-pro。此外，我们增加了一个“字幕”（Captioning）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根据这些字幕的文本内容回答问题。以下是三个关键见解：

1. 与视觉干扰物作斗争

   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存在困难，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，由于其2K的上下文长度限制，它最多只能处理三张图像。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缺乏鲁棒性。E：超出上下文长度。

2. 跨多图像推理的困难

   有趣的是，与基本的“字幕模型（LLaVA）+LLM聚合器（Llama3）”的链式方法相比，所有基于LMM的方法在涉及5张以上图像的单图像QA和所有多针设置中表现都很弱。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的解决方案不足以跨多个图像处理和整合信息。值得注意的是，在多图像场景中，性能急剧下降，Claude-3 Opus仅在“神谕图像”上表现不佳，而Gemini-1.5/GPT-4o在包含50张图像的大型数据集上准确率下降到50%（与随机猜测无异）。

   
   多针问题的VHs结果。所有具有视觉意识的模型表现都很差，表明模型发现隐式整合视觉信息很具有挑战性。

3. 视觉领域的现象

   最后，我们发现LMM的准确性受到针图像在输入序列中位置的巨大影响。例如，当针图像紧挨着问题放置时，LLaVA表现更好，而在其他情况下会下降多达26.5%。相比之下，专有模型通常在图像位于开头时表现更好，而在图像不位于开头时，性能下降高达28.5%。这种模式与自然语言处理（NLP）领域中出现的“迷失在中间”（lost-in-the-middle）现象相呼应，即位于上下文开头或结尾的关键信息会影响模型的性能。在先前的仅要求文本检索和推理的Gemini风格NIAH评估中未曾发现此问题，这凸显了我们的VHs基准测试所带来的独特挑战。

   
   各种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的解决方案，用于改进VHs性能

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）从大量可能不相关的图像中准确检索相关图像而没有位置偏差的能力，以及（2）整合来自这些图像的相关视觉信息以正确回答问题的能力。为了解决这些问题，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范式利用一个查询感知压缩模型，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存放更多图像。

2. 采用检索器过滤掉无关信息：MIRAGE使用一个与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扩充现有的单图像指令微调数据。

结果

我们使用MIRAGE重新审视了VHs基准测试。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骨干模型较弱，每张图像仅有32个令牌！

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）等强大竞争对手。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，性能显著优于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表现不佳！

最后的总结

在这项工作中，我们开发了视觉干草堆（VHs）基准测试，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. 与视觉干扰物作斗争：在单针任务中，随着图像数量的增加，LMMs的性能急剧下降，这表明它们在过滤掉无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+基于语言的QA”这样的简单方法超越了所有现有的LMMs，突显了LMMs处理跨多个图像信息的能力不足。

3. 视觉领域的现象：专有和开源模型都表现出对针信息在图像序列中位置的敏感性，表现出视觉领域中的“迷失在中间”现象。

作为回应，我们提出了MIRAGE，这是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、协同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来基准测试它们的模型，以便在部署前发现并纠正潜在的缺陷。我们还敦促社区探索多图像问答作为推进真正人工通用智能（AGI）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。