将一切有用的消息整合到一张图片中 大型多模态模型能够启动图片内的学习

论文标题：

All in a Single Image: Large Multimodal Models are In-Image Learners

论文链接：

开源链接：

Learning

近年来，大言语模型取得了清楚的成功。虽然 GPT-4V 有弱小的文本了解和图片输入才干，但仍存在许多疑问。例如，在读取一张复杂图片时，不可齐全了解图像中出现的消息。在本文中，咱们提出了一种新的高低文学习机制——In-Image Learning，它将一切或者有用的消息，包括样例，视觉线索和思想链等等整合在一张图片上，有助于监禁 GPT-4V 的性能。

2. Visual-text interleaved in-context learning（VT-ICL）：虽然 T-ICL-Img 取得了清楚的成果，但在将视觉输入转换为文本形容时存在失落消息的危险。

为了防止这个疑问，可认为高低文学习预备交织的图文对，间接整合到大言语模型（LLMs）中。

在本文中，咱们将样例范本、视觉线索、思想链整合在一张图片上。将有价值的消息整合到繁多图像中提供了三个重要好处。

首先，它有效地传播了仅凭文字不可准确形容的复杂图像。其次，它准许消息被搁置在图像的任何位置，不像之前的高低文学习方法那样对消息的排序敏感。第三，仅经常使用一个图像作为输入缩小了对简短输入的需求，从而减轻了输入累赘并防止超出大模型（LMMs）的输入限度（留意：咱们没有蕴含任何揭示在测试样本上）。

为了却合这两种方法的优势，咱们经常使用 GPT-4V 作为一种选用器。首先揭示 GPT-4V 为给定数据示例的图像生成形容。而后让 GPT-4V 依据生成的形容与图像启动对比打分，范畴从 1 到 4 分。1 或 2 分标明图像难以形容，使其更适宜 In-Image Learning 方法，3 或 4 分标明图像易于形容，经常使用 VT-ICL 方法更适宜这个数据示例。

咱们在3个数据集上启动了测试，区分是：（1）MathVista；（2）HallusionBench；（3）VQA.

MathVista minitest 数据集上不同方法和模型上的测试结果如下：

咱们经常使用 MathVista 数据集上的随机 100 个数据启动消融试验，结果如下，说明 In-Image Learning 方法能激起 GPT-4V 的后劲。

在本文中，咱们提出了 In-Image Learning 的方法，以增强 GPT-4V 的才干。In-Image Learning 将示范例子、视觉线索和指令结合到繁多图像中。

In-Image Learning 长于处置复杂图像，而 VT-ICL 更适宜那些可以随便经过文本形容的图像。为了在多模态义务中应用这两种方法的优势，咱们提议经常使用 GPT-4V 作为选用器，以确定给定义务中每个多模态数据示例的适当方法。

经过在 MathVista 和 Hallusionbench 上的片面试验，咱们展现了 In-Image Learning 在复杂推理义务中的有效性，以及在减轻言语幻觉和视觉错觉方面的作用。咱们还审核了图像分辨率和示范例子位置等起因的影响，进一步凸显了图像内学习的多配置性和后劲。

关于未来的上班，咱们方案在更多的文字难以形容的义务上验证 In-Image Learning 的有效性，以及经过训练的模式来增强 In-Image Learning。

原文链接:​ ​​ ​