近年来，多模态大模型（Multimodal Large Language Models, MLLMs）在人工智能领域取得了显著的进展，特别是在自然语言处理、计算机视觉和多模态理解方面。这些模型能够理解和生成多种类型的数据，如文本、图像、音频和视频，为多模态学习和应用提供了强大的工具。
架构和创新
1. NExT-GPT: Any-to-Any Multimodal LLM（ICLR 2024）
简述： 本文提出了通用任意对任意 MM-LLM 系统 NExT-GPT，该系统将 LLM 与多模态适配器和不同解码器连接，使 NExT-GPT 能感知输入并以任意组合生成文本、图像、视频和音频输出。利用现有高性能编码器和解码器，NExT-GPT 仅需少量参数（1%）进行调优，有利于低成本训练和扩展。此外，研究人员引入模态切换指令调优（MosIT），并整理高质量数据集，使 NExT-GPT 具备复杂跨模态语义理解和内容生成能力。
2. DreamLLM: Synergistic Multimodal Comprehension and Creation（ICLR 2024）
简述： 本文提出了 DreamLLM，这是一个学习框架，它首先实现了多功能多模态大型语言模型（MLLM），该模型强调了多模态理解和创作之间的协同作用。DreamLLM 通过直接在原始多模态空间中采样来生成语言和图像，避免了外部特征提取器的局限性。此外，它能够生成原始交错文档，包括文本、图像和非结构化布局。DreamLLM 是首个能生成自由格式交错内容的 MLLM，实验证明，它作为零样本多模态通才表现出色，从增强的学习协同作用中获益。
3. Unified Language-Vision Pretraining in LLM with Dynamic Discrete Visual Tokenization（ICLR 2024）
简述： 本文提出了一种新的多模态大模型 LaVIT，它通过将视觉内容转换为可被语言模型处理的离散标记，实现了视觉和语言数据的统一处理。这种方法打破了传统方法中将视觉输入仅作为提示的局限性，使 LaVIT 能够无差别地处理图像和文本，提高了模型在视觉语言任务中的性能。实验结果表明，LaVIT 在处理大规模视觉语言任务方面优于现有模型。
4. MoE-LLaVA: Mixture of Experts for Large Vision-Language Models
简述： 本文提出了一种名为 MoE-tuning 的新的大型视觉语言模型（LVLM）训练策略，该策略构建了一个参数数量多但计算成本恒定的稀疏模型，解决了多模态学习和模型稀疏性相关的性能下降问题。还提出了 MoE-LLaVA 框架，一种基于 MoE 的稀疏 LVLM 架构，它在部署期间只激活部分专家，从而减少了计算成本。实验表明，MoE-LLaVA 在视觉理解方面表现出色，并减少了模型输出的幻觉。MoE-LLaVA 使用 30 亿个稀疏激活的参数，在各种视觉理解数据集上性能与 LLaVA-1.5-7B 相当，甚至在某些基准测试中超过了 LLaVA-1.5-13B。
5. LEGO: Language Enhanced Multi-modal Grounding Model
简述： 现有的多模态模型重点捕捉每个模态内的全局信息，但忽视了跨模态感知局部信息的重要性。为了解决这个问题，本文提出了 LEGO，一个语言增强的多模态定位模型，LEGO 不仅捕捉全局信息，还在需要细致理解输入数据内部细节的任务上表现出色，具有精确的识别和定位能力。
6. InternLM-XComposer2: Mastering Free-form Text-Image Composition and Comprehension in Vision-Language Large Models
简述： 本文提出了 InternLM-XComposer2，一种先进的视觉语言模型，擅长自由格式的文本图像合成和理解，该模型能从多输入创建定制内容，超越传统视觉语言理解。采用部分 LoRA 方法，专为图像标记调整参数，保持语言知识完整，平衡视觉理解和文本创作。实验显示，基于 InternLM2-7B 的 InternLM-XComposer2 在长文本多模态创作中表现优异，视觉语言理解能力超越现有模型，某些评估与 GPT-4V 和 Gemini Pro 相当或更佳，展现卓越多模态理解能力。
7. mPLUG-PaperOwl: Scientific Diagram Analysis with the Multimodal Large Language Model
简述： 本文提出了多模态图理解数据集 M-Paper，解析优质论文的 Latex 源文件，将图表与相关段落对齐，形成专业图表分析样本。M-Paper 是首个支持联合理解多个科学图表的数据集，包括图像或 Latex 格式的图形和表格。为确保副驾驶与用户意图一致，还引入'轮廓'作为控制信号，可由用户直接给出或修改。使用最先进的 Multimodal LLM 进行的综合实验表明，在这个数据集上进行训练显示出更强的科学图表理解性能，包括图表标题、图表分析和大纲推荐。
8. LION: Empowering Multimodal Large Language Model with Dual-Level Visual Knowledge
简述： 本文提出了 LION，一种双层次的视觉知识增强多模态大型语言模型，通过在细粒度和高级语义层面整合视觉知识来提高模型的性能。LION 使用视觉聚合器整合细粒度空间感知视觉知识，并采用阶段级指令调优策略减少任务间的冲突。此外，它还利用软提示方法结合图像标签的高级语义，以减轻不完美预测标签的影响。实验结果显示，LION 在多个多模态基准测试中优于现有模型。
9. PixelLM: Pixel Reasoning with Large Multimodal Model
简述： 本文提出了 PixelLM，这是一个用于像素级推理和理解的有效且高效的模型，它的核心是一个轻量级的像素解码器和全面的分割码本。PixelLM 通过解码器生成掩码来编码详细的目标信息，避免了需要额外昂贵分割模型的需求。研究人员还提出了一个目标细化损失来提高模型区分多个目标的能力。PixelLM 在多个像素级图像推理和理解任务中表现优异，超越了成熟的方法。
模型优化和特定场景应用
10. Small Language Model Meets with Reinforced Vision Vocabulary
简述： 本文提出了 Vary-toy，这是一个小型化的 Vary 和 Qwen-1.8B 模型，适合在消费级 GPU 上训练和部署。Vary-toy 通过改进的视觉词汇，不仅保留了 Vary 的特性，还增强了通用性。在实验中，Vary-toy 在多个基准测试中取得了不错的成绩，如 DocVQA 的 65.6% ANLS、ChartQA 的 59.1% 准确率、RefCOCO 的 88.1% 准确率和 MMVet 的 29% 准确率。
11. Improved Baselines with Visual Instruction Tuning
简述： 大型多模态模型（LMM）在视觉教学调优方面取得进展，LLaVA 的全连接视觉语言跨模态连接器表现出色，数据效率高。本文通过简单修改 LLaVA，使用 MLP 投影和 VQA 数据，建立更强大基线，在 11 个基准测试中实现最先进。最终的 13B 检查点仅使用 1.2M 数据，在单个节点上训练完成。这使得最先进的 LMM 研究更易获得。
12. MobileVLM: A Fast, Strong and Open Vision Language Assistant for Mobile Devices
简述： 本文提出了 MobileVLM，一个为移动设备设计的强大多模态视觉语言模型。它结合了专为移动设备设计的语言模型和预训练的多模态视觉模型，通过高效的投影仪实现跨模态交互。MobileVLM 在典型的视觉语言模型基准测试中表现出色，与更大模型相比毫不逊色，并且在高通骁龙 888 CPU 和 NVIDIA Jetson Orin GPU 上对其进行了性能评估，分别达到了每秒 21.5 个令牌和 65.3 个令牌的推理速度，这是行业领先的成绩。
13. CogAgent: A Visual Language Model for GUI Agents
简述： 本文介绍了 CogAgent，一个 180 亿参数的视觉语言模型（VLM），专门用于 GUI 理解和导航。CogAgent 使用低和高分辨率图像编码器，支持分辨率为 1120*1120 的输入，能识别微小页面元素和文本。作为通用 VLM，CogAgent 在多个基准测试上实现最先进技术，包括 VQAv2、OK-VQA 等。它仅使用屏幕截图作为输入，优于基于 LLM 的方法，这些方法使用提取的 HTML 文本。
