自从2022年底open AI推出ChatGPT开始，大型语言模型（LLMs, Large Language Models）的热度吸引了全世界的眼球，相关研究也取得了令人瞩目的进展。除了纯语言模型相关的技术研究以外，将视觉能力融入大语言模型的视觉语言模型（VLMs，Vision Language Models）也迅猛发展。
目前市场上主流的研究路线主要分为两种：1）原生多模态路线，模型设计从一开始就针对多模态数据进行适配，代表性的工作有微软的KOSMOS系列和Florence系列、谷歌的PALM-E系列，以及阿里的OFA系列等；2）将单模态特征作为LLMs的额外输入tokens来扩展语言模型，从而将其用于视觉语言等多种任务中，代表性的工作有Deepmind的Flamingo、Saleforce的BLIP-2、LLAVA，以及阿里的Qwen-vl等。
以上两种技术路线各有优劣，原生多模态路线的模型结构主体均为Transformer的基础堆叠，包括encoder和decoder两个模块；而视觉模块作为语言模块额外输入补充的方式多为decoder-only的模型架构、transformer LLMs模型作为中心，其他模态的模型作为外围辅助特征提取模块，用小参数量的模型就可以做到各个单模态领域已有成果的复用，同时还能保留LLMs的已有效果，通过插入多个对齐层来实现视觉信息与文本信息的对齐和联合学习，这种方式在扩展模态信息上也更灵活。用同样的方法可以支持语音、图片、视频等其他模态数据的统一训练。
01 总述
考拉悠然在视觉以及多模态领域有超过20年的技术积累，拥有20余项世界领先的技术突破，大模型时代到来以后，公司第一时间投入到多模态大模型的研发工作，经历了多个版本迭代，于11月15 日正式发布了悠然多模态产业通用大模型应用与服务平台。
悠然大模型（以下简称UranMM-13B）采用先进的多模态大模型架构，将视觉等模态知识作为模态数据补充到LLMs，简单高效地扩展了LLM的识图、视频理解等跨模态能力，作为一种多模态视觉语言大模型，悠然大模型具有领先的图文理解、视频理解、多模态推理等能力，并且保留了常见的自然语言任务处理能力，包括问答、信息检索、创意写作和辅助编码等能力。该模型对比BLIP2、LLaVa、QwenVL-Chat等国内外模型评测的打分中，表现出不俗的成绩。同时，悠然大模型定位为产业通用大模型，基于产业模型可以快速生成行业模型，结合行业应用发挥出更大的价值。
02 模型介绍
模型结构
整个模型主要由多模态编码器、对齐模块、大语言模型三个模块组成，结合了高质量场景化数据，通过控制可训参数进行预训练和调优。
● 多模态编码器：以视觉编码器（Image Encoder）为例，UranMM-13B使用了预训练的CLIP ViT-L/14，以提取输入图像的特征。图像被调整为336×336的统一尺寸，并被分割成14个步长的patch，最终转化为序列长度为576的tokens作为LLMs的输入。
● 对齐模块：使用了一个多层感知器MLP，用于与LLMs模型理解的知识结构匹配。
● 大语言模型：UranMM-13B 以LLaMa2为基础，具备13B参数量，特别进行了中文分词优化，增加了200B tokens具备行业属性的中英文数据进行预训练，在中文、英文、数学、代码等下游任务上，相对于Llama2-13B取得了明显的提升。
训练数据
现有的多模态公开指令集，存在质量偏低和数量有限的问题，通过公开数据训练出来的模型存在严重幻觉，无法满足实际应用需求。为此，考拉悠然研发团队采用了一系列高质量数据生成策略：
1. 基于主流的视觉和语言大模型设计规则，对公开数据进行清洗和过滤，得到第一部分高质量的种子数据，根据实际经验判断数据的有效率约30%。
2. 结合GLIP、SAM、KOSMOS等先进视觉技术，采用粗粒度信息和细粒度信息的抽取，将图像描述转化为语言形式，再通过模型构建一批高质量的指令数据。
最终用于模型训练的数据规模达到了百亿token全模态数据，和百万行业高质量指令集。
训练方法
训练方法上，考拉悠然取得了许多创新成果，团队基于DeepSpeed的训练框架进行优化，采用BF16精度，整合了FlashAttention2等技术提升训练效率。
同市场上很多VLM模型的生成过程类似，悠然大模型训练过程分为两个阶段：第一阶段使用图像－文本数据训练视觉和语言模型对齐层，使视觉模型抽取出来的图像特征能够和LLM中的文本特征空间进行对齐；第二阶段使用行业自有指令数据和开源指令数据，进一步微调模型的视觉感知以及业务理解能力，同时，为了保持模型语言能力的稳定性，还使用了ShareGPT的1M文本数据。
UranMM-13B还特别针对实际业务场景的需求，实现了预测场景的能力强化。我们使用了分组查询注意力（GQA）进行更快的推理、滑动窗口注意力（SWA）以更低的成本处理更长的序列，这些技术使模型更好地处理时间序列预测问题，实现更精准的预测。我们的模型还具备自我学习和调整的能力，能够根据新的数据和反馈持续优化预测结果。
03 评测结果
UranMM-13B在视觉标注、问答、关联提取等任务中，与近期的SOTA模型相比取得了领先的效果。
UranMM-13B与近期的SOTA模型评测对比图
04 通用能力展示
图片识别
以下为真实交通场景下，对图片多目标的类型与特征进行识别的案例。
OCR
以下案例展示了模型执行实际街道照片的中文OCR识别任务的能力。
文本写作
以下案例展示了模型基于灾害场景的图片信息的文本创作能力。
05 真实业务场景示例
基于悠然多模态产业通用大模型，经过行业数据微调构生成行业大模型后，配合模型推理训练引擎、向量数据库、多模态数据实时加工服务与Agent智能体等大模型应用工具链，可以快速构建各类行业AI应用。这一最新的应用范式，对比过往的产品解决方案，在业务效果和交付效率层面均有显著的提升，有望催生全新的行业AI原生应用，实现产业真正的智能化升级。在高空交通监管、电网巡检、半导体质量检测、烟草生产管控、智慧城市治理等交通、能源、工业、政务领域的场景中拥有广阔的应用空间与大量潜在商机。
以下以高空交通监管场景的行业应用功能点为例，展示模型在真实业务场景中的应用效果。
高空视频大模型 + 高空视频全要素感知预警平台
以川藏公路折多山当地的交通感知预警应用为例。一方面，当地部署的多个高空摄像头，24小时实时传输道路视频流。视频流在经过高空视频大模型驱动的数据处理服务加工后，形成动态增删的结构化的事件数据集；另一方面，业务方预先准备的《中华人民共和国道路交通安全法》《中华人民共和国道路交通安全法实施条例》及四川交通厅相关道路安全行政法规等行业规范，构建了完备的行业知识库。
当出现紧急情况时，行业智能体将结合视频事件与行业法规条例的信息，智能判断告警程度并输出事件分析报告，协助监管人员及时处理险情。在日常运营时段，监管人员也可以实时通过预警平台，灵活生成指定时段的交通动态图表、分析报告，为监管工作提供敏捷可靠的数据支撑。
上述案例充分展现出悠然多模态产业通用大模型，在视觉识别、信息理解、逻辑推断、知识应用等任务上的良好效果。
06 联系我们
参考文献：
[1]Li J, Li D, Savarese S, et al. Blip-2: Bootstrapping language-image pre-training with frozen image encoders and large language models. arXiv preprint arXiv:2301.12597, 2023.
[2]Dai W, Li J, Li D, et al. InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning. arXiv preprint arXiv:2305.06500, 2023.
[3]Bai J, Bai S, Yang S, et al. Qwen-vl: A frontier large vision-language model with versatile abilities. arXiv preprint arXiv:2308.12966, 2023.
[4]Liu H, Li C, Li Y, et al. Improved baselines with visual instruction tuning. arXiv preprint arXiv:2310.03744, 2023.
