編輯：桃子 喬楊

【新智元導讀】GPT-4o發布不到一周，首個敢于挑戰王者的新模型誕生！最近，Meta團隊發布了「混合模態」Chameleon，可以在單一神經網絡無縫處理文本和圖像。10萬億token訓練的34B參數模型性能接近GPT-4V，刷新SOTA。

GPT-4o的橫空出世，再次創立了一個多模態模型發展的新範式！

爲什麽這麽說？

OpenAI將其稱爲「首個『原生』多模態」模型，意味著GPT-4o與以往所有的模型，都不盡相同。

傳統的多模態基礎模型，通常爲每種模態采用特定的「編碼器」或「解碼器」，將不同的模態分離開。

然而，這種方法限制了模型，有效融合跨模態信息的能力。

官博介紹，GPT-4o是「首個端到端」訓練的，跨越文本、視覺和音頻的模型，所有的輸入和輸出，都由單個神經網絡處理。

而現在，業界首個敢于挑戰GPT-4o的模型現身了！

最近，來自Meta團隊的研究人員發布了「混合模態基座模型」——Chameleon（變色龍）。

論文地址：https://arxiv.org/pdf/2405.09818

與GPT-4o一樣，Chameleon采用了統一的Transformer架構，使用文本、圖像和代碼混合模態完成訓練。

以類似文本生成的方式，對圖像進行離散「分詞化」（tokenization），最終生成和推理交錯的文本和圖像序列。

這種「早期融合」的方法，所有的pipeline從一開始就被映射到一個共同的表示空間，因此模型可以無縫處理文本和圖像。

Chameleon生成的多模態內容

與此同時，這樣的設計，爲模型訓練帶來了重大的技術挑戰。

對此，Meta研究團隊引入了一系列架構創新和訓練技術。

結果表明，在純文本任務中，340億參數Chameleon（用10萬億多模態token訓練）的性能和Gemini-Pro相當。

在視覺問答和圖像標注基准上，刷新SOTA，性能接近GPT-4V。

不過，不論是GPT-4o，還是Chameleon，都是新一代「原生」端到端的多模態基礎模型早期探索。

GTC 2024大會上，老黃描述了邁向AGI最終願景的重要一步——各種模態互通有無。

下一個開源GPT-4o要來？

Chameleon的發布，簡直就是對GPT-4o做出最快的反應。

有網友表示，token進，token出，簡直無法去解釋。

甚至還有人稱，在GPT-4o誕生之後發布的非常紮實的研究，OOS將迎頭趕上。

不過，目前Chameleon模型支持生成的模態，主要是圖像文本。缺少了GPT-4o中的語音能力。

網友稱，然後只需添加另一種模態（音頻），擴大訓練數據集，「烹饪」一段時間，我們就會得到GPT-4o...?

Meta的産品管理總監稱，「我非常自豪能夠給予這個團隊支持。讓我們朝著讓GPT-4o更接近開源社區的方向邁進一步」。

或許用不了多久，我們就得到了一個開源版的GPT-4o。

接下來，一起看看Chameleon模型的技術細節。

技術架構

Meta在Chameleon的論文中首先表示：很多新近發布的模型依舊沒有將「多模態」貫徹到底。

這些模型雖然采用了端到端的訓練方式，但仍然單獨對不同模態進行建模，使用分開的編碼器或解碼器。

如開頭所述，這種做法限制了模型跨模態信息的能力，也難以生成包含任意形式信息的、真正的多模態文檔。

爲了改進這種缺陷，Meta提出了一系列「混合模態」的基座模型Chameleon——能夠生成文本和圖像內容任意交織在一起的內容。

Chameleon的生成結果，文本和圖像交錯出現

所謂「混合模態」基座模型，指Chameleon不僅使用了端到端的方式從頭開始訓練，而且訓練時將所有模態的信息交織混合在一起，並使用統一的架構處理。

如何將所有模態的信息混合在同一個模型架構中表示？

答案還是「token」。

只要全部表示爲token，就可以把所有所有模態的信息映射到同一個向量空間中，讓Transformer無縫處理。

但是，這種做法會帶來優化穩定性以及模型擴展性方面的技術挑戰。

爲了解決這些問題，論文相應地對模型架構進行創新，並使用了一些訓練技巧，包括QK歸一化和Zloss等。

同時，論文也提出了將純文本LLM微調爲多模態模型的方法。

要將所有模態全部表示爲token，首先需要一個強大的分詞器。

爲此，Chameleon的團隊在Meta之前一篇論文的基礎上開發了一種新的圖像分詞器，基于大小爲8192的codebook，將規格爲512×512的圖像編碼爲1024個離散的token。

文字分詞器則基于谷歌開發的sentencepiece開源庫，訓練了一個同時含有65536個文本token與8192個圖像token的BPE分詞器。

爲了徹底激發「混合模態」的潛力，訓練數據也是將不同模態打散、混合呈現給模型的，既有純文本、文本-圖像對，也有文本、圖像交錯出現的多模態文檔。

純文本數據囊括了Llama 2和CodeLlama所使用的所有預訓練數據，共計2.9萬億個token。

文本-圖像對包含了一些公開數據，共計14億對、1.5萬億個token。

對于文本和圖像交錯的數據，論文特意強調沒有包含來自Meta産品的數據，完全使用公開數據來源，整理出共4000億個token。

Chameleon的預訓練分兩個單獨的階段進行，分別占總訓練比例的80%和20%。

訓練的第一階段就是讓模型以無監督的方式學習以上數據，第二階段開始時，先將第一階段得到的權重降低50%，並混合更高質量的數據讓模型繼續學習。

在模型擴展到超過8B參數和1T token時，訓練後期會産生明顯的不穩定問題。

由于所有模態共享模型權重，每個模態似乎都有增加norm的傾向，與其他模態「競爭」。

這在訓練初期不會産生太大的問題，但隨著訓練的進行、數據超出bf16的表達範圍時，就會有loss發散的現象。

研究人員將其歸因于softmax函數所具有的平移不變性，這種現象在單模態模型中也被稱爲「logit 漂移」（logit drift）。

因此，論文提出了一些架構調整和優化方法來保證穩定性：

-QK歸一化（query-key normalization）：將layer norm應用于注意力模塊中的query和key向量，從而直接控制softmax層輸入的norm增長。

-在注意力層和前饋層之後引入dropout

-在損失函數中使用Zloss正則化

除了數據來源和架構，論文還大方公開了預訓練所用的算力規模。

硬件型號爲80GB內存的英偉達A100，7B版本並行使用1024個GPU訓練了約86萬個GPU小時，34B模型所用的GPU數量則擴大了3倍，GPU小時數超過428萬。

作爲曾經開源Llama 2的公司，Meta的研究團隊確實大方，相比連技術報告都沒有的GPT-4o，這篇有數據有幹貨的論文可謂「仁至義盡」。

全面超越Llama 2

具體的實驗評估中，研究人員將其分爲人工評估和安全測試，以及基准評估。

Chameleon-34B使用了比Llama 2多四倍的token進行訓練後，在各種單模態的基准測試中都取得了驚豔的效果。

在純文本任務生成中，研究人員將預訓練（非SFT）模型的純文本功能與其他領先的純文本LLM進行比較。

評估內容包括，常識推理、閱讀理解、數學問題和世界知識領域，評估結果如下表所示。

- 常識推理和閱讀理解

可以觀察到， 與Llama 2相比，Chameleon-7B和Chameleon-34B更具競爭力。甚至，34B甚至在5/8的任務上超過了Llama-2 70B，性能與Mixtral-8x7B相當。

- 數學和世界知識

盡管進行了其他模態的訓練，但兩個Chameleon模型都表現出很強的數學能力。

在GSM8k上，Chameleon-7B的表現優于相應參數規模的Llama 2模型，性能與Mistral-7B相當。

此外，Chameleon-34B在maj@1（61.4 vs 56.8）和Mixtral-8x7B在maj@32 （77.0 vs 75.1）上的表現均優于Llama 2-70B。

同樣，在數學運算中，Chameleon-7B的性能超過Llama 2，與Mistral-7B在maj@4上的性能相當，而 Chameleon-34B的性能超過Llama 2-70B，接近Mixtral-8x7B在maj@4上的性能（24.7 vs 28.4）。

總體而言，Chameleon的性能全面超過了Llama 2，在某些任務上接近Mistral-7B/8x7B。

在文本到圖像任務中，研究人員具體評測了視覺問答、圖像標注兩項具體任務。

Chameleon在視覺問答和圖像標注任務中打敗Flamingo和Llava-1.5等模型成爲SOTA，在純文本任務中也和第一梯隊的Mixtral 8x7B、Gemini Pro等模型表現相當。

同時，爲了進一步評估模型生成多模態內容的質量，論文也在基准測試之外引入了人類評估實驗，發現Chameleon-34B的表現遠遠超過了Gemini Pro和GPT-4V。

相對于GPT-4V和Gemini Pro，人類評委分別打出了51.6%和60.4的偏好率。

下圖展示了，對于一組多樣化的、來自人類標注者的prompt，Chameleon與基線模型在理解和生成內容方面的性能對比。

其中的每個問題，都由三個不同的人類標注回答，並將多數票作爲最終答案。

爲了了解人類標注者的質量，以及問題的設計是否合理，研究人員還檢查了不同標注者之間的一致性程度。

表5是對20,000個衆包提示和445個紅隊交互進行的安全測試，引發模型産生不安全內容。

與Gemini和GPT-4V相比，Chameleon在處理需要交錯、混合模態響應的提示時，非常有競爭力。

從示例中可以看到，在完成問答任務時，Chameleon既能理解輸入的文本+圖像，也能爲模型輸出內容加上合適的「配圖」。

並且，Chameleon生成的圖像通常與上下文相關，這樣一來，這種交錯內容的輸出對用戶來說，極具吸引力。

貢獻團隊

論文最後，還放上了參與這項研究的貢獻者。

包括預訓練、對齊和安全、推理和評估、所有項目的參與者。

其中，*表示共同一作，†表示關鍵貢獻者，‡表示工作流程負責人，♯表示項目負責人。