我要投稿

阿里全面开源mPLUG-Owl3！超长图像序列理解多模态大模型

发布日期：2024-08-19 22:19:49 浏览次数： 1677

多模态大语言模型（MLLMs）已经在处理单张图片任务上表现得非常出色。不过，当涉及到长图片序列的处理时，仍然有很多困难需要解决。为此，阿里推出了一款名叫mPLUG-Owl3的模型，它不仅功能强大，还能在需要结合图文知识、混合图文内容和处理长视频的场景中，更好地理解长图片序列。

现有的一些多图输入方法存在两个主要问题：像LLaVA-Next-Interleave等模型将视觉特征直接与文本序列拼接，这在处理多图长序列时会导致高昂的计算成本；而Flamingo等模型使用的cross-attention结构虽然降低了计算开销，但却导致了视觉信息的细节损失，限制了它们在单图和多图任务中的表现。为此，mPLUG-Owl3特别设计了一个叫‘超注意力模块’的新技术，能够高效地将视觉和语言整合在一起，使得处理多张图片的任务变得更加轻松。

01 技术原理

mPLUG-Owl3模型的核心结构由三个主要部分组成：视觉编码器SigLIP-400M、语言模型Qwen2，以及连接这两者的线性层。视觉编码器首先从图像中提取特征，然后通过线性层将这些特征映射到与语言模型相同的维度。在文本序列中，使用了特殊的标记来表示图像位置，并采用self-attention和cross-attention并行建模的方式，将图像特征与文本特征融合在一起。

与Flamingo和EVLM等模型在语言模型的每一层都插入cross-attention层的做法不同，mPLUG-Owl3只在网络中的少数层使用了他们提出的Hyper Attention Transformer Block（HATB）。这种方法避免了引入大量额外的参数和计算负担，同时仍然实现了有效的特征融合。

视觉特征和文本特征首先会经过一个共享的层（LN层）进行处理。在实验中发现，使用同一个LN层来处理视觉和文本输入，比为视觉输入单独设置一个LN模块能带来更好的效果。通过LN层处理后，延续了mPLUG-Owl2的做法，为视觉输入设置了专门的Key-Value映射，同时与文本输入共享相同的Query映射。这样做既能保留视觉特征的独特性，又能让语言模型根据文本的语义，灵活获取所需的视觉信息。

在完成文本间的self-attention和跨模态的cross-attention并行建模后，设计了一种自适应门控机制。通过计算文本特征线性映射后的激活值来获得门控值，实现了文本和视觉信息的自适应融合。

另外，在进行attention建模之前，引入了一种叫做多模态交错旋转位置编码（MI-Rope）的方法，来保留图像和文本的位置信息。因为在文本序列中，图像是用特殊标记表示的，对于第n幅图像，它的所有patch特征都会共享同一个标记位的位置编码。这种设计确保了位置编码不仅能反映图像的顺序，也能反映图像在整个文本序列中的具体位置。

02 实际示例

mPLUG-Owl3可以从检索系统中学习知识。

mPLUG-Owl3 还可以通过交错的图像文本上下文与用户聊天。

mPLUG-Owl3可以观看电影等长视频并记住其细节。

https://huggingface.co/spaces/mPLUG/mPLUG-Owl3https://github.com/X-PLUG/mPLUG-Owl/tree/main/mPLUG-Owl3

53AI，企业落地应用大模型首选服务商

产品：大模型应用平台+智能体定制开发+落地咨询服务

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

Text2SQL新体验 — 腾讯音乐开源的ChatBI框架

2024-06-17

手把手教你构建基于知识图谱的GraphRAG之结构化数据篇【LangChain+Neo4j】

2024-07-11

Flowise AI 工作流进阶: 常用组件介绍+连 Notion 做知识库

2024-06-17

深入解析Llama 3：开发者如何充分利用这一开源大模型

2024-04-21

面壁小钢炮 MiniCPM-V 2.6 部署指南

2024-08-06

Qwen2-VL 全链路模型体验、下载、推理、微调实战！

2024-08-30

作为微软开源的全新架构，Florence-2 以其小巧的体积、炸裂的性能以及对多任务的统一处理方式，在视觉理解领域掀起了一阵旋风

2024-06-26

绘梦有形，快手开源「可图 Kolors」，等你来玩

2024-07-11

llm+funasr+tts，diy大模型语音助手，一个自己控制的siri，保姆教程

2024-07-15

翻车了？这才是真正的SD3！

2024-06-16

大家都在问

多模态大模型中，多模态融合后怎样知道最终结果受哪种模态影响更大？

2024-09-01

AIQ Interview：面试的智面星

2024-07-31

KG+大模型用于生物医学研究设计思路–HeCiX：兼看多模态实体链接框架思路UniMEL

2024-07-25

MicroAgent：这个AI智能体一键写代码并且自动测试！它比 Aider 更好吗？（Ollama）

2024-07-19

llm+funasr+tts，diy大模型语音助手，一个自己控制的siri，保姆教程

2024-07-15

从AIGC短剧到金融、零售应用，视频生成大模型价值几何？

2024-07-15

医学领域大型语言模型和多模态大型语言模型的综合研究

2024-07-14

Stable Diffusion中CFG有啥用？

2024-07-14

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯

160+中大型企业正在使用53AI

百度智能云邀53AI：共创AI新纪元，启航智能新时代

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

热点资讯

Text2SQL新体验 — 腾讯音乐开源的ChatBI框架

手把手教你构建基于知识图谱的GraphRAG之结构化数据篇【LangChain+Neo4j】

Flowise AI 工作流进阶: 常用组件介绍+连 Notion 做知识库

深入解析Llama 3：开发者如何充分利用这一开源大模型

面壁小钢炮 MiniCPM-V 2.6 部署指南

Qwen2-VL 全链路模型体验、下载、推理、微调实战！

作为微软开源的全新架构，Florence-2 以其小巧的体积、炸裂的性能以及对多任务的统一处理方式，在视觉理解领域掀起了一阵旋风

绘梦有形，快手开源「可图 Kolors」，等你来玩

llm+funasr+tts，diy大模型语音助手，一个自己控制的siri，保姆教程

翻车了？这才是真正的SD3！

大家都在问

多模态大模型中，多模态融合后怎样知道最终结果受哪种模态影响更大？

AIQ Interview：面试的智面星

KG+大模型用于生物医学研究设计思路–HeCiX：兼看多模态实体链接框架思路UniMEL

MicroAgent：这个AI智能体一键写代码并且自动测试！它比 Aider 更好吗？（Ollama）

llm+funasr+tts，diy大模型语音助手，一个自己控制的siri，保姆教程

从AIGC短剧到金融、零售应用，视频生成大模型价值几何？

医学领域大型语言模型和多模态大型语言模型的综合研究

Stable Diffusion中CFG有啥用？

热门标签