o1的风又吹到多模态，直接吹翻了GPT-4o-mini
开源LLaVA-o1**：一个设计用于进行自主多阶段推理的新型VLM。与思维链提示不同，LLaVA-o1独立地参与到总结、视觉解释、逻辑推理和结论生成**的顺序阶段。
LLaVA-o1超过了一些更大甚至是闭源模型的性能，例如Gemini-1.5-pro、GPT-4o-mini和Llama-3.2-90B-Vision-Instruct。
基础模型与LLaVA-o1的比较。基础模型Llama-3.2-11B-Vision-Instruct在推理过程中有明显的缺陷，整个推理过程中出现了几个错误。相比之下，LLaVA-o1****首先概述问题，从图像中解释相关信息，然后进行逐步推理过程，并最终得出一个有充分支持的结论。
LLaVA-o1如何炼成
LLaVA-o1模型的结构化推理框架****，专门的数据集和训练方法，以及推理时的阶段性束搜索策略，来提高模型在复杂任务中的推理能力和扩展性。
- 结构化推理阶段：
总结阶段（Summary Stage）：LLaVA-o1在这一阶段提供对问题的高层次总结，概述它打算解决的问题的主要方面。
图像描述阶段（Caption Stage）：如果存在图像，LLaVA-o1提供与问题相关的图像元素的简洁概述，帮助理解多模态输入。
推理阶段（Reasoning Stage）：在初始总结的基础上，LLaVA-o1进行结构化、逻辑推理，得出初步答案。
结论阶段（Conclusion Stage）：在最后阶段，LLaVA-o1根据前面的推理综合答案。结论阶段的输出是直接提供给用户的响应，而前三个阶段是内部的“隐藏阶段”，代表LLaVA-o1的推理过程。
四对特殊标签：、、和
- 数据准备和模型训练：
由于现有的视觉问题回答（VQA）数据集缺乏训练LLaVA-o1所需的详细推理过程，研究者们编译了一个新的数据集LLaVA-o1-100k，整合了多个广泛使用的VQA数据集的样本。
使用GPT-4o生成包括总结、图像描述、推理和结论的详细推理过程，并将这些编译成LLaVA-o1-100k数据集。
选择了Llama-3.2-11B-Vision-Instruct模型作为基础模型，并使用LLaVA-o1-100k数据集进行全参数微调。
- 有效的推理时扩展使用阶段性束搜索：
训练完成后的目标是在推理期间进一步增强模型的推理能力。LLaVA-o1的输出设计为结构化，提供了理想的粒度，用于推理时扩展。
采用阶段性束搜索方法，该方法在每个推理阶段生成多个候选结果，并选择最佳结果以继续生成过程。
通过在每个阶段进行有效的验证，这种方法验证了结构化输出在提高推理时扩展中的有效性。
推理方法的示意图。最佳选择法（Best-of-N search）生成N个完整的响应，并从中选择最好的一个；**句子级束搜索（**Sentence-level Beam Search）为每个句子生成多个候选项并选择最好的一个。相比之下，LLaVA-o1的阶段性束搜索（Stage-level Beam Search）为每个推理阶段（例如，总结、标题、推理和结论）生成候选项，并在每个阶段选择最佳选项。最佳选择法在粗略层面上操作，而句子级束搜索过于细致，而LLaVA-o1的方法实现了最佳平衡并取得了最佳性能。
有无阶段性束搜索的LLaVA-o1性能比较。LLaVA-o1的阶段性束搜索在模型推理过程中有效地选择了更好的推理。
实验数据
LLaVA-o1在多模态推理基准测试中相较于其基础模型Llama-3.2-11B-Vision-Instruct实现了**8.9%**的性能提升。
LLaVA-o1在各种基准测试中不仅超越了基础模型，还超过了一些更大甚至是闭源模型，例如Gemini-1.5-pro、GPT-4o-mini和Llama-3.2-90B-Vision-Instruct。
**结构化标签（structured tags）**对于模型性能至关重要。去除这些标签后，模型性能显著下降，说明这些标签有助于推理过程并提高了模型性能。
大模型&AI产品经理如何学习
求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。
1.学习路线图
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
2.视频教程
网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。
（都打包成一块的了，不能一一展开，总共300多集）
因篇幅有限，仅展示部分资料，需要点击下方图片前往获取
3.技术文档和电子书
这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。
4.LLM面试题和面经合集
这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
