多模態CoT思維鏈架構來了，現已開源｜來自廈大&騰訊優圖

衡宇 2024-05-28 12:48:30 來源：量子位

Happy 投稿

量子位 | 公眾號 QbitAI

多模態大模型，也有自己的CoT思維鏈了！

廈門大學&騰訊優圖團隊提出一種名為“領唱員（Cantor）”的決策感知多模態思維鏈架構，無需額外訓練，性能大幅提升。

在 ScienceQA 上，基于GPT-3.5的Cantor準確率達到了82.39%，相比基于GPT-3.5的思維鏈方法提升了4.08%。

在更具挑戰性的MathVista上，基于Gemini的Cantor準確率比原始Gemini提高了5.9%。

目前Cantor論文已上傳arXiv，代碼也已經開源。（地址在文末領取）

多模態專屬思維鏈

思想鏈（Chain-of-Thought, CoT）是一種廣泛應用的提示方法，通過添加中間推理步驟，可以顯著增強大模型的推理能力。

然而，在視覺推理任務中，模型不僅需要把握問題背后的總體邏輯，還需結合圖像信息進行具體分析。

多模態思維鏈應運而生。

現有的多模態思維鏈方法通常將問題分解為多個相關的子任務，并調用各種外部工具依次處理。

然而，由于視覺信息不足和低級感知工具的局限性，這種范式在決策中面臨潛在的“決策幻覺”，以及低級感知工具無法提供高級推理信息的挑戰。

Cantor架構賦予多模態大語言模型（MLLM）或大語言模型（LLM）像合唱團中的領唱員一樣的協調能力：

首先使MLLM或LLM同時處理視覺和文本上下文，形成全面的理解并進行決策感知，避免決策幻覺。

隨后，將具體任務分配給MLLM 扮演的“專家”，以獲得高級的認知信息以進一步輔助推理。

圖中（a）展示了不同視覺信息對決策的影響：

• 在沒有視覺上下文的情況下，詢問GPT-3.5燒杯的最大刻度，會由于缺乏圖像信息而無法回答，出現決策幻覺，要求提供更多信息。
• 基于LLM的Cantor通過字幕引入了視覺語境，避免了決策幻覺，提出了合理的解決方法。
• 基于MLLM的Cantor通過圖像加強了視覺語境，進一步提高了決策質量，將子任務具體化。

圖中（b）展示了不同視覺工具的比較：

• 對于目標檢測相關的子任務，傳統方法使用的低級感知工具（如檢測器）只能獲得基本數據（如坐標）。這些低級線索需要后續的進一步整合才能得到有用信息，這會增加推理負擔。
• 由MLLM扮演的高級認知專家可以直接獲得高級推理信息（如目標的相對數量關系），有助于后續推理。

決策生成+執行兩步驟

Cantor的架構如下，它包含兩個主要步驟：決策生成和執行。

前者對問題進行分析與解耦，結合各種專家模塊特性，生成合理的決策。

后者調用各種專家模塊執行子任務，并匯總信息加以思考，生成最終答案。

團隊具體設計了四種專家模塊：

• TextIntel Extract：此模塊會按要求針對性地提取圖像中的文本。它對于包含文本和圖形元素混合的圖像特別有用。
• ObjectQuant Locator：此模塊用于識別并定位圖像中的對象。它在比較數量和識別空間關系等方面有優勢。
• VisionIQ Analyst：此模塊用于處理和解釋視覺數據，它能夠處理任何與圖像內容相關的查詢，善于分析圖像。
• ChartSense Expert：此模塊專門分析和解釋圖表中的信息。它可以提取數據點，了解趨勢，并識別圖表中的標題、軸、標簽和圖例等關鍵組件。

決策生成部分讓MLLM或LLM扮演決策生成器，也就是充當決策大腦，先對問題進行分析，并結合各專家模塊特點，分配子任務，并給出分配理由。

例如要比較兩瓶溶液的溫度大小時，Cantor會先分析粒子溫度與粒子動能的關系，分析粒子動能的表達式為1/2mv^2。并結合圖像信息與專家模塊特點，為TextIntel Extractor和ObjectQuant Locator分別分配子任務：

1、提取樣品A和樣品B中每個顆粒的質量和速度。
2、哪個樣品的粒子數量更多？

該步驟有以下特點：

最初，LLM或MLLM被用作決策生成器，充當決策的大腦。

接下來，團隊提供多個專家模塊，以完成各種類型的子任務，充當決策的四肢。這種集成確保了決策生成既全面又精細，能夠充分利用了每個模塊的優勢。

此后，決策生成器根據從原理分析中獲得的見解，為選定的專家模塊量身定制任務，這種動態的任務分配提高了Cantor的效率和性能。

執行又分為模塊化執行和匯總執行兩步：

一是模塊化執行：

在這個階段Cantor通過調用各種專家模塊來完成決策生成階段分配的子任務，以獲得補充信息。

值得注意的是，團隊只使用MLLM來扮演各種專家模塊，以獲得高級的認知信息輔助推理（如數量的大小關系，位置的相對關系）。

例如，對應上一步分配的子任務，TextIntel Extractor和ObjectQuant Locator分別獲得以下答案：

1、樣品A：質量44u，速度1,400m/s。樣品B：質量46u，速度1,400m/s。
2、兩個樣品的粒子數量相同。

二是匯總執行：

在這個階段Cantor匯總子任務和子答案的信息，并結合基本原理，生成最終答案。

其中包括了三個關鍵，首先通過提示，讓MLLM或LLM扮演一個知識淵博并且善于整合信息的答案生成器，這既保證他的專業性，能對問題有基本判斷，又保證他能更好地整合信息。

其次為了可解釋性，展示模型的思維過程并提高其思維能力，要求它先生成為答案的基本原理，然后生成相應的選項。

最后要求Cantor保持理性與批判性，不要完全依賴模塊執行獲得的信息。

免訓練也能超越微調方法

Cantor分為兩個版本，Cantor（GPT-3.5）將GPT-3.5作為決策生成器和答案生成器，以及Cantor（Gemini）將Gemini Pro 1.0作為決策生成器和答案生成器。

團隊在ScienceQA和MathVista兩個復雜的視覺推理數據集上進行了實驗。

在ScienceQA上的實驗結果如下：

結果顯示使用GPT-3.5作為基本LLM進行決策和回答，Cantor的準確率達到82.39%，比GPT-3.5提示的思想鏈（CoT）提高了4.08%。

使用Gemini作為決策生成器和答案生成器，Cantor的準確率達到84.96%，大大超過了所有免訓練方法，甚至優于UnifiedQA（CoT）和MM-CoT等微調方法。

團隊進一步展示了ScienceQA中IMG類的性能，該類的所有問題都包括了圖像上下文。

可以看出，基于GPT-3.5的Cantor在各種問題上都顯著超過了基線，甚至超過了一些著名的MLLMs，如SPHINX和LLaVA-1.5。

Cantor（Gemini）性能相比于基線也得到了顯著增長。

MathVista是一個具有挑戰性的數據集，它將各種數學推理任務與可視化任務集成在一起。

上表比較了不同方法的性能。從一般的視覺問題回答到專業的數學問題，Cantor在幾乎所有類型的問題中都大大超過了基線。

這表明，正確的決策和模塊化專家可以激發他們細粒度、深入的視覺理解和組合推理能力。

值得注意的是，Cantor（GPT-3.5）甚至超過了基于CoT和PoT的GPT-4。

團隊進一步展示了Gemini與Cantor（Gemini）的具體例子比較：

可以看出Cantor通過任務分配，以及讓Gemini進行角色扮演，做到了原來難以做到的事情，并且正確得出了答案。

值得注意的是，即使Gemini在一些問題上答對了，但是它的推理過程其實是有問題的，相比之下Cantor沒有出現這個問題。

論文地址：
https://arxiv.org/abs/2404.16033
項目地址：
https://ggg0919.github.io/cantor/