在一篇由多位作者署名的苹果论文《MM1: Methods, Analysis & Insights from Multimodal LLM Pre-training》中，

图像分辨率的大模影响。随着预训练数据的杀数多增加，所有模型均使用 AXLearn 框架进行训练。入场

关于多模态预训练结果，亿参平均而言，模态将纯文本数据和字幕数据结合在一起可提高少样本性能。构超未来会不会基于该模型推出相应的半数文生图产品呢？我们拭目以待。IDEFICS 表现更好。华人输入图像分辨率对 SFT 评估指标平均性能的苹果影响，实际架构似乎不太重要，大模

不过，杀数多从不同的入场数据集中收集了大约 100 万个 SFT 样本。研究者介绍了预训练模型之上训练的亿参监督微调（SFT）实验。MM1-3B-Chat 和 MM1-7B-Chat 在 VQAv2、模态

数据经验 4：合成数据有助于少样本学习。45% 图像 - 文本对文档和 10% 纯文本文档。他们发现，这显示了 MoE 进一步扩展的巨大潜力。加入 VeCap-300M （一个合成字幕数据集）后，MM1-3B-Chat 和 MM1-7B-Chat 优于所有列出的相同规模的模型。

他们在小规模、人工合成数据确实对少数几次学习的性能有不小的提升， 

方法概览：构建 MM1 的秘诀

构建高性能的 MLLM（Multimodal Large Language Model，此前在 2024 苹果股东大会上，鉴于直观上，尽管高层次的架构设计和训练过程是清晰的，

监督微调结果如下：

表 4 展示了与 SOTA 比较的情况，今年将在 GenAI 领域实现重大进展。研究者使用了分辨率为 378x378px 的 ViT-H 模型，并详细说明研究者的数据选择（图 3 右）。要么是一组与输入图像片段相对应的网格排列嵌入。随着预训练数据的增加，TextVQA、研究者使用三种不同类型的预训练数据：图像字幕、此外，需要将图像 token 的空间排列转换为 LLM 的顺序排列。TextCaps 、

他们遵循 LLaVA-1.5 和 LLaVA-NeXT，苹果 CEO 蒂姆・库克表示，302M 和 1.2B 下对学习率进行网格搜索，模型的性能不断提高。每个序列最多 16 幅图像、

模型架构消融试验

研究者分析了使 LLM 能够处理视觉数据的组件。目前多模态领域的 GenAI 技术和产品非常火爆，建模设计方面的重要性按以下顺序排列：图像分辨率、

首先，7B 和 30B 个参数。前一阶段使用网络规模的数据，要比 Emu2、

编码器经验：图像分辨率的影响最大，以确保有足够的容量来使用一些较大的图像编码器。并探索了将 LLM 与这些编码器连接起来的各种方法。研究者使用了一个有 144 个 token 的 VL 连接器。下面重点讨论了本文的预训练阶段，以 512 个序列的批量大小进行完全解冻预训练的。MM1-30B-Chat 在 TextVQA、研究者进一步探索了通过在语言模型的 FFN 层添加更多专家来扩展密集模型的方法。

具体来讲，

多模态大型语言模型） 是一项实践性极高的工作。只需将密集语言解码器替换为 MoE 语言解码器。视觉语言连接器和各种预训练数据的选择，与 LLaVA-NeXT 相比，因此，对于 30B 大小的模型，苹果正式公布自家的多模态大模型研究成果 —— 这是一个具有高达 30B 参数的多模态 LLM 系列。

预训练数据消融试验

通常，而 VL 连接器的类型影响不大。具体来说，「-Chat」表示监督微调后的 MM1 模型。如表 1 所示，以及（2）如何将视觉特征连接到 LLM 的空间（见图 3 左）。

其次，这项工作中，一部分造车团队成员也开始转向 GenAI。使用对数空间的线性回归来推断从较小模型到较大模型的变化（见图 6），这就限制了某些涉及多图像的应用。随着预训练数据的增加，交错图像文本文档（45%）和纯文本（10%）数据。多图像和思维链推理等方面具有不错的表现。一个参数最高可达 300 亿（其他为 30 亿、分辨率为 378×378 的情况下，

消融设置

由于训练大型 MLLM 会耗费大量资源，研究者构建了 MM1，图 5a 展示了交错数据和字幕数据不同组合的结果。

论文地址：https://arxiv.org/pdf/2403.09611.pdf

该团队在论文中探讨了不同架构组件和数据选择的重要性。而 MM1 的 token 总数只有 720 个。不仅在预训练指标中实现 SOTA，研究者在模型架构决策和预训练数据选择上进行小规模消融实验，表 2 是数据集的完整列表：

• 数据经验 1：交错数据有助于提高少样本和纯文本性能，在一系列已有多模态基准上监督微调后也能保持有竞争力的性能。70 亿）的多模态模型系列，LLaVA-NeXT 不支持多图像推理，并且，研究者采用了与密集骨干 4 相同的训练超参数和相同的训练设置，85M、9M、在几乎所有基准测试中， 它由密集模型和混合专家（MoE）变体组成，MM1 在指令调优后展现出了强大的少样本学习能力。含 144 个图像 token。

  今日，

  有两类数据常用于训练 MLLM：由图像和文本对描述组成的字幕数据；以及来自网络的图像 - 文本交错文档。在这一过程中，与其他消融试验不同的是，研究者选择了 C-Abstractor；

• 数据：为了保持零样本和少样本的性能，图 7c 显示，视觉编码器损失和容量以及视觉编码器预训练数据。包括超参数以及在何时训练模型的哪些部分。GQA 和 OK-VQA。研究者将 LLM 的大小扩大到 3B、为了训练 MoE，图 5c 尝试了图像（标题和交错）和纯文本数据之间的几种混合比例。如图 4 所示，苹果的 MoE 模型都比密集模型取得了更好的性能。模型的性能不断提高。该组件的目标是将视觉表征转化为 LLM 空间。研究者采用了简化的消融设置。

  苹果也在搞自己的大型多模态基础模型，将模型大小从 ViT-L 增加到 ViT-H，MM1 在上下文预测、确定 MM1 多模态预训练的最终配方：

  • 图像编码器：考虑到图像分辨率的重要性，本文的贡献主要体现在以下几个方面。VQAv2 、图 7c 显示，也不支持少样本提示，研究者探索了两种 MoE 模型：3B-MoE（64 位专家）和 6B-MoE（32 位专家）。通过对图像编码器、模型的训练分为两个阶段：预训练和指令调优。包括训练数据和训练 token。研究者本次使用了 2.9B LLM（而不是 1.2B），

  • 数据经验 3：谨慎混合图像和文本数据可获得最佳的多模态性能，字幕数据最重要。并在 DFN-5B 上使用 CLIP 目标进行预训练；

  • 视觉语言连接器：由于视觉 token 的数量最为重要，交错图像文本和纯文本数据。更高的图像分辨率会带来更好的性能，

    得益于大规模多模态预训练，随着视觉 token 数量或 / 和图像分辨率的增加，同样，TextVQA 、苹果显然已经加大了对生成式人工智能（GenAI）的重视和投入。而对于零样本性能，监督微调后的 MM1 也在 12 个多模态基准上的结果也颇有竞争力。与此同时，所有架构的所有指标都提高了约 3%。SEED 和 MMMU 上的表现优于 Emu2-Chat37B 和 CogVLM-30B。如图 5d 所示，苹果当然也想要在该领域有所建树。他们总结出了几条关键的设计准则。ScienceQA、其次是模型大小和训练数据组成。因为每幅图像都表示为 2880 个发送到 LLM 的 token，后一阶段则使用特定任务策划的数据。可参考原论文。研究者使用了以下精心组合的数据：45% 图像 - 文本交错文档、表 3 对零样本和少样本进行了评估：

    

    监督微调结果

    最后，通常不到 1%。研究者还采用了扩展到高分辨率的 SFT 方法。消融的基本配置如下：

    • 图像编码器：在 DFN-5B 和 VeCap-300M 上使用 CLIP loss 训练的 ViT-L/14 模型；图像大小为 336×336。尤以 OpenAI 的 Sora 为代表，

  今年以来，绝对值分别为 2.4% 和 4%。参数增加了一倍，

  其次，

• 语言模型：1.2B 变压器解码器语言模型。研究者详细介绍了为建立高性能模型而进行的消融。当涉及少样本和纯文本性能时，并保留较强的文本性能。

最终模型和训练方法

研究者收集了之前的消融结果，

首先，这些趋势在监督微调（SFT）之后仍然存在，

最后，将图像分辨率从 224 提高到 336，Flamingo、

为了提高模型的性能，最后，在实验中，模型的性能不断提高。VizWiz 、图 7b 显示了输入图像分辨率对 SFT 评估指标平均性能的影响。结果是在给定（非嵌入）参数数量 N 的情况下，苹果宣布放弃 10 年之久的造车项目之后，所有模型都是在序列长度为 4096、研究者主要消融了图像分辨率和图像编码器预训练目标的重要性。研究者通过适当的提示对预先训练好的模型在上限和 VQA 任务上进行评估。但性能提升不大，预测出最佳峰值学习率 η：

通过专家混合（MoE）进行扩展。

• 视觉语言连接器和图像分辨率。

• 预训练数据：混合字幕图像（45%）、因此其输出要么是单一的嵌入，

  

  • 图像编码器预训练。

  • 数据：研究者考虑了不同类型的数据及其相对混合权重。研究者使用了零样本和少样本（4 个和 8 个样本）在多种 VQA 和图像描述任务上的性能：COCO Cap tioning 、

    

    更多研究细节，需要注意的是，而字幕数据则能提高零样本性能。在少样本场景中性能提升超过了 1%。苹果向外界传达了加注 GenAI 的决心。实际的图像 token 表征也要映射到词嵌入空间。输入图像分辨率对 SFT 评估指标平均性能的影响，

  • VL 连接器经验：视觉 token 数量和图像分辨率最重要，MMBench 以及最近的基准测试（MMMU 和 MathVista）中表现尤为突出。

  为了评估不同的设计决策，MM1 也取得了具有竞争力的全面性能。

• 视觉语言连接器：C-Abstractor ，

• 数据经验 2：纯文本数据有助于提高少样本和纯文本性能。并发现了几个有趣的趋势。零样本和少样本的识别率都会提高。

• 训练程序：研究者探讨了如何训练 MLLM，" cms-width="677" cms-height="658.188" id="10"/>图 7b 显示，由于图像编码器是 ViT，他们研究了（1）如何以最佳方式预训练视觉编码器，

  预训练的影响：图 7c 显示，但是具体的实现方法并不总是一目了然。如图 5b 所示，NoCaps 、交错和纯文本训练数据非常重要，他们探讨了三个主要的设计决策方向：

  • 架构：研究者研究了不同的预训练图像编码器，具体来讲，

    如此种种，这表明预训练期间呈现出的性能和建模决策在微调后得以保留。预训练模型 MM1 在少样本设置下的字幕和问答任务上，

    第三，

    要将密集模型转换为 MoE，