久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

當(dāng)前，多模態(tài)大語言模型（MLLMs）在處理涉及視覺、語言和音頻的復(fù)雜任務(wù)中取得了顯著進(jìn)展，但現(xiàn)有的先進(jìn)模型仍然缺乏與人類意圖偏好的充分對齊，即無法高質(zhì)量地按照人類偏好習(xí)慣理解并完成指令任務(wù)。現(xiàn)有的對齊研究多集中于某些特定領(lǐng)域（例如減少幻覺問題），而是否通過與人類偏好對齊可以全面提升多模態(tài)大語言模型的各種能力仍是一個未知數(shù)。

為探究這一問題，中國科學(xué)院自動化研究所聯(lián)合快手、南京大學(xué)建立了MM-RLHF——一個包含12萬對精細(xì)標(biāo)注的人類偏好比較數(shù)據(jù)集，并基于此數(shù)據(jù)集進(jìn)行多項創(chuàng)新，從數(shù)據(jù)集，獎勵模型以及訓(xùn)練算法三個層面入手推動多模態(tài)大語言模型對齊的發(fā)展，全面提升多模態(tài)大語言模型在視覺感知、推理、對話和可信度等多個維度的能力。

MM-RLHF數(shù)據(jù)集包含三個維度的打分、排序、文本描述的具體原因以及平局等標(biāo)注。所有標(biāo)注均由人類專家完成。與現(xiàn)有資源相比，該數(shù)據(jù)集在規(guī)模、多樣性、標(biāo)注精細(xì)度和質(zhì)量方面均有顯著提升。以此為基礎(chǔ)，本研究提出了一種基于批判的獎勵模型（Critique-Based Reward Model），該模型在評分之前先對模型輸出進(jìn)行批判分析，相比傳統(tǒng)的標(biāo)量獎勵機(jī)制，提供了更具可解釋性、信息量更豐富的反饋。此外，團(tuán)隊提出動態(tài)獎勵縮放（Dynamic Reward Scaling）方法，根據(jù)獎勵信號調(diào)整每個樣本的損失權(quán)重，從而優(yōu)化高質(zhì)量比較數(shù)據(jù)在訓(xùn)練中的使用，進(jìn)一步提高了數(shù)據(jù)的使用效率。

MM-RLHF數(shù)據(jù)集

研究團(tuán)隊在10個評估維度，27個基準(zhǔn)測試上對提出的方案進(jìn)行了嚴(yán)格評估。結(jié)果表明，模型性能得到了顯著且持續(xù)的提升。比較突出的是，基于提出的數(shù)據(jù)集和對齊算法對LLaVA-ov-7B模型進(jìn)行微調(diào)后，其對話能力平均提升19.5%，安全性平均提升60%。

全面評估結(jié)果

本研究充分展示了高質(zhì)量、細(xì)粒度數(shù)據(jù)集MM-RLHF在推動多模態(tài)大語言模型對齊工作上的巨大潛力。下一步，研究團(tuán)隊將將重點利用數(shù)據(jù)集豐富的注釋粒度與先進(jìn)的優(yōu)化技術(shù)，結(jié)合高分辨率數(shù)據(jù)來解決特定基準(zhǔn)的局限性，并使用半自動化策略高效地擴(kuò)展數(shù)據(jù)集。這些努力不僅將推動多模態(tài)大語言模型對齊到新的高度，還將為更廣泛、更具普適性的多模態(tài)學(xué)習(xí)框架奠定基礎(chǔ)。

MM-RLHF數(shù)據(jù)集、訓(xùn)練算法、模型以及評估pipeline均已全面開源。

項目主頁：https://mm-rlhf.github.io

來源：中國科學(xué)院自動化研究所