一、结论写在前面

论文来自南京大学、阿里巴巴。    

现有方法主要通过监督微调（SFT）将视觉编码器与大型语言模型（LLMs）对齐，赋予LLMs多模态能力，但随着训练过程的推进，MLLMs对多种语言的内在反应能力逐渐恶化。论文实证发现，主要由英语为中心的图文对构成的不平衡SFT数据集，导致非英语语言的性能显著下降。这是因为在SFT过程中未能将视觉编码器和LLM与多语言token对齐。

二、论文的简单介绍

2.1 论文的背景

当前的MLLMs主要依赖于预训练的LLMs和视觉编码器，通过将视觉特征与语言嵌入token对齐来弥合模态间的差距。现有研究主要采用Q-Forme或MLP投影器来将视觉编码器与LLMs对齐。训练数据 主要包含来自英语中心的图像标题和多模态对话数据。在训练过程中，对齐组件将视觉特征转换为语言嵌入token。通过编码的视觉特征，LLM可以整合视觉信息以响应多模态输入。             
             
图1：基于OpenAI-CLIP和中文-CLIP模型的输出，使用相同的汉语提示。论文可以观察到，基于OpenAI-CLIP的模型在中英文响应之间表现出混淆    

2.2 MMMB: 大规模多语言多模态基准

论文首先讨论现有基准的局限性，然后阐述理想的多语言基准应具备的特征。此外，论文设计和构建了一个新的基准，并提供了相应的评估策略。             
             
图2：多语言基准测试中的一些不良案例。左图：代码推理与英语紧密相关。中图：逻辑推理过于困难。右图：图像与文本之间缺乏关联

2.2.1 现有基准的局限性

现有的多语言基准（如Multi30K 、M3Exam 、MM-Bench 和LLaVA-Bench）存在一些局限性：

2.2.2 多语言基准的构建

为了更适当地评估MLLMs的多语言能力，理想的基准应具备以下特征：

1.具有显著差异的语言。应涵盖多种语言家族，选择尽可能不同且不重复的语言。这确保了对MLLMs适应语言差异能力的广泛评估。

2.中等难度的题目。题目不应过于困难（如逻辑推理），因为目的是评估MLLMs在多语言理解、处理和生成方面的能力，而非逻辑推理技能。    

3.多语言和多模态任务。如图2所示，数据集中的数据不应与英语紧密相关（例如，代码推理）。由于这些数据由英语单词组成，因此本质上无法转换为多种语言。此外，当MLLMs回答问题时，图像应成为不可或缺的部分。例如，如果给出一张美国地图并要求识别其首都，MLLMs仅依靠文本能力即可回答此问题。因此，确保问题突出图像与文本之间的重要关联至关重要。

4.跨语言内容一致性。本基准的目标是评估MLLMs的多语言能力，并旨在公平展示不同语言间的差异。例如，如果英语问题主要关注一百以内的加法，而中文问题主要涉及微积分计算，则很难确定中文表现不佳是由于问题复杂性还是MLLMs有限的多语言能力。因此，确保跨语言内容一致性以进行公平比较至关重要。

论文选取了六种语言进行研究：英语（en）、中文（zh）、葡萄牙语（pt）、阿拉伯语（ar）、土耳其语（tr）和俄语（ru）。这些语言涵盖了多种不同的语系，论文在图3中列出了详细的语言信息及一些多语言案例。在数据集需求和一致性方面，论文的基准测试在两个主要方面进行了整合：1) 由于MMBench 官方包含了英语和中文版本，论文将其扩展至其他四种语言。2) 对于大规模的多语言多模态基准测试，即MIMIMIB，论文根据既定指南从ScienceQA 、MME 和SEED-Bench 数据集中选取并清洗合适的数据。这些数据集随后被处理成视觉问答（VQA）格式，最终形成了横跨所有六种语言的共计12,000个样本。               
               
图3：MMMB概览。它包含6种语言、15个类别和12,000个问题    

2.2.3 评估策略

由于随机猜测可能导致4选1问题的Top-1准确率下降25%，这可能减少不同MLLMs之间可辨别的性能差异。此外，MLLMs可能倾向于在所有给定选项中预测某个特定选项，这进一步放大了评估中的偏差。为解决这些问题，论文实施了一种循环验证策略，灵感来源于MMBench。具体地，MMMB被调整为Yes/No问题的格式，其中每个图像配有两个问题，分别要求“是”和“否”的答案。如图8所示，只有当两个问题都被正确回答时，答案才被视为准确；任何一个问题回答失败都会导致整个实例被标记为错误。这一策略确保了对MLLMs更严格的评估，减少了随机猜测的可能性，并促进了不同模型之间更有效的比较。

2.3 论文的方法

为了解决由于英语在图像-文本数据中的主导地位而导致的多语言模型（MLLMs）中的多语言侵蚀问题，论文使用相同的数据训练了两个不同的模型：一个集成了 OpenAI-CLIP 视觉编码器，另一个则整合了 Chinese-CLIP 视觉编码器。如图 1 所示，配备 OpenAI-CLIP 的模型在中文输入生成适当的输出时遇到了困难，使用中文-CLIP的模型不仅能理解查询，还能生成恰当的中文输出。为进一步评估模型的中文能力，论文在中文数据集上进行测试，并观察到性能提升：使用中文-CLIP时，MMBench-CN上的表现从66.4提升至68.3，MMMB-zh上的表现从62.4提升至66.1。。             
             
图4：PARROT的整体架构。它基于多语言MoE模块将偏向英语的特征转换为特定语言的特征，旨在提升多语言能力。每个阶段的训练细节在右侧展示

2.3.1 文本引导驱动视觉token对齐

由于非英语多模态数据的资源稀缺性（例如缺乏大规模、高质量的图像-文本数据），论文需要使用与LLaVA相当的数据量来增强模型的多语言能力。此外，鉴于这些有趣的发现，并旨在语言层面上对齐视觉token与文本嵌入，论文提出了PARROT，这是一种新颖的方法，利用文本引导来促进视觉特征的多语言对齐。PARROT使得通过OpenAI-CLIP获得的偏向英语的视觉特征能够适应其他语言。这种方法确保了它能够根据多种语言输入为LLM提供特定语言的视觉token，从而增强其多语言能力。

首先，论文通过视觉编码器提取视觉特征，并使用投影器将其转换为来自嵌的语言。论文通过词嵌入表获取文本输入的嵌入。随后，为了利用文本引导将偏向英语的特征转换为特定语言的特征，论文采用跨模态交叉注意力机制来获取。

随后，为了获得激活特定语言专家的归一化概率分布，投影的语言嵌入被输入到路由器。路由器网络通过一个线性层计算归一化权重矩阵，用于投票。

2.3.2训练阶段

论文的目标是尽可能少地利用多语言数据来增强MLLMs的多语言能力。整个训练过程分为两个不同的阶段：

表1：PARROT训练数据的详细信息，来源于公开数据集和论文的内部多语言数据    

阶段1：模态对齐。在此阶段，论文保持视觉编码器和LLM权重固定，仅专注于优化投影器以对齐视觉特征IH与预训练LLM的词嵌入。这一阶段类似于训练一个与固定LLM兼容的视觉标记器。为了增强图像的多样性，论文从LAION [55]和CC12M [9]数据集中提取部分数据，并通过GPT-4V构建内部标注数据。

阶段2：多语言对齐的指令调优。论文仍然保持视觉编码器权重固定，同时继续训练投影器、MoE和LLM。由于MoE模块的设计，PARROT可以通过使用少量多语言图像-文本数据快速学习对齐跨多种语言的视觉表示。如表1所示，论文在阶段2中仅为每种语言使用近10K的训练数据。这种方法特别有利于数据资源稀缺的低资源语言。

为了应对非英语语言中数据有限的问题，论文采用了一种半自动方法来获取图像-文本数据。最初，论文随机分割ShareGPT4V数据集，为每种语言提取一组非重复、非平行的图像-文本数据用于训练。随后，论文实施了一个翻译和校准方案，使用GPT-4将英语文本转换为其他语言的文本。认识到这一步骤可能引入噪声和潜在的翻译错误，论文应用了手动校准过程以进一步微调和清理数据，从而获得高质量的多语言图像-文本数据。

这种两阶段训练方法确保了有效的模态和多语言对齐，即使在有限的非英语数据下，也能很好地适应低资源语言中数据稀缺的现实情况。    

2.4 实验

2.4.1 实验设置

实施细节：在本研究中，论文将PARROT配置为使用预训练的CLIP ViT-L/14 作为视觉编码器，Qwen1.5-Chat 作为LLM的主干。两个阶段的初始学习率分别设置为1e-3和2e-5，批次大小分别为256和128。整个训练过程显著优化至2l小时，得益于使用相对较小的训练数据集，在16xA100 GPU设置上进行。此外，BF16和TF32精度格式在整个训练过程中被精心用于平衡速度和准确性。如等式4所定义，论文将专家数量设置为六，以匹配语言的数量。每个专家是一个由两个线性层组成的多层感知机（MLP），带有SiLU 激活函数。更多细节见表5。

评估基准：论文的评估分为两部分：一部分评估MLLMs的多语言能力，另一部分评估其整体性能。第一部分评估在两个数据集上进行：MMBench 和新建的基准MMMB。对于MMBench，论文通过GPT-4翻译并手动验证，将其扩展至六种语言。论文在表2中展示了每种语言的准确性。此外，第二部分评估涵盖了广泛的多模态任务，如MME 、MMStar 、ScienceQA 、RealWorldQA 和 SEED-Bench ，性能通过图中的雷达图报告。

比较模型：为了进行全面比较，论文选取了MLLMs中的领先开源模型，包括LLaVA-1.5 、LLaVA-NeXT 、Qwen-VL 、Monkey 、VisualGLM 、VisCPM 、MiniGPT-4-v2 、shareGPT4V 、InstructBLIP 、mPLUG-Owl2 、Mini-Gemini 。此外，论文还纳入了闭源方法在论文的基准中，包括GPT-4V、Qwen-VL-MAX 和 Gemini Pro ，以展示其卓越性能。在评估过程中，论文使用OpenCompass 中的VLMEvalkit，确保所有方法的配置设置一致，以保持比较的公平性。对于大多数提及的方法，论文直接使用VLMEvalKit的实现。对于其他未正式提供的方法，论文将其整合到此框架中，以确保评估的一致性。

2.4.2 主要结果

论文展示了多语言实验在表2中的结果以及整体实验在图5b中的结果。根据表2，PARROT-14B在MMBench基准上所有语言中达到了最先进（SOTA）的性能，并在MMMB基准上五种语言中达到了SOTA性能，英语位居第二。PARROT-14B的多语言能力接近GPT-4V，展示了论文提出的架构的卓越能力。值得注意的是，PARROT-7B在所有语言的两个基准上也验证了SOTA性能，甚至超过了LLaVA-NeXT-13B。    

此外，如图5b所示，此评估旨在表明PARROT不仅具有出色的多语言能力，还能全面理解PARROT处理各种复杂多模态任务（例如MME 、MMStar 和 SEED-Bench ）的能力。

此外，如图5c所示，论文可视化了MoE中的专家分布。显然，当使用中文提示时，第二个专家主要被激活，表明不同的专家被用于不同的语言提示。在现有的多语言基准中，PARROT在使用不到其他多语言MLLMs 1%的数据的情况下，也展示了竞争性的性能，如图6所示。

2.4.3 消融研究

对每个组件的消融研究。论文针对多语言数据和MoE模块进行了消融实验。如图5a所示，使用多语言数据在每种语言中都提升了性能。此外，MoE模块显著提升了性能，证明了论文提出的方法的有效性。

对不同数据集的消融研究。如表3所示，很明显，包含不同的多语言数据集持续提高了在MMBench基准上的性能，并且所有具有7B参数的模型都用于此实验。这突显了论文方法在有效处理多种语言时的鲁棒性和可扩展性。

表2：多语言基准上的准确性性能比较。论文报告了所有比较方法与VLMEvalKit [16]的结果。最佳和次佳结果分别以粗体和下划线显示    

对单语微调数据集的消融研究。表9中提出的消融研究评估了不同单语数据集增量添加到基线数据集LLaVA-1.5-finetune的性能。它强调了向基线模型添加不同多语言数据集的显著影响。每个数据集在其各自语言中逐步提高性能，并且当组合时，导致在所有评估语言中整体性能增强。这表明所提出的方法在处理多语言数据方面的鲁棒性和有效性，使其成为多语言任务的可扩展解决方案。

2.4.4 多语言对话的可视化

为了增强对PARROT多语言能力的直观理解，论文准备了一个全面的案例研究，并配有说明性视觉展示。例如，如图6所示，论文的框架展示了卓越的多语言能力。这强调了PARROT在导航不同语言方面的多功能性，并展示了其在跨越不同领域语言鸿沟方面的潜力。    

通过仔细的分析和可视化，论文旨在深入了解驱动这种能力的机制，说明其在现实世界场景中的实际意义和潜在应用。这种可视化是PARROT坚实架构及其理解、处理和生成多种语言的卓越效率能力的强烈指标。更多多语言对话案例见附录E。

表3：在MMBench基准上对不同多语言训练数据集的消融研究。本消融研究使用具有7B参数的模型

图6：PARROT在多种语言中的多模态对话案例