进展跟踪链接（Awesome-MLLM，实时更新）：https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models
近年来，大型语言模型Large Language Models（LLM）的研究取得了显著的进展（例如GPT-3，LLaMa，ChatGPT，GPT-4），这些模型在各项自然语言处理（NLP）任务上展现了出色的性能。
通过在海量数据上预训练，LLM获得了丰富的知识以及强大的推理能力。只需要输入一些用户指令，这些模型就可以解析指令、进行推理并给出符合用户预期的回答。
(资料图)
LLM具有的一些典型能力包括：
· 执行训练时未见过的新任务；· 通过少量样例完成新任务；· 通过推理链条执行复杂的推理任务；· 协调各种模型与工具完成复合任务。这些能力背后蕴含着众多关键思想和技术，包括指令微调（Instruction Tuning），上下文学习（In-Context Learning）和思维链（Chain of Thought）等。
多模态大型语言模型尽管大语言模型在NLP领域取得了长足的发展，相应的模型与技术在多模态领域则较少探索，且传统视觉-语言模型仍存在着泛化性不足以及缺乏推理能力等局限。
为此，近期众多学者将注意力转向一个新兴的方向：多模态大型语言模型Multimodal Large Language Models（MLLM）。
其主要思想是以LLM作为「大脑」对输入的多模态信息进行整合、推理、分析和决断，从而完成人类交付的任务。
从发展通用人工智能的视角看，相比于LLM，MLLM又向前迈进了一步，且具有以下优点：
· 更符合人类认知世界的习惯。人类具有多种感官，接受多种模态信息，这些信息常常是互补的、协同作用的。因此，使用多模态信息一般可以更好地认知与完成复杂任务；
· 更加强大与用户友好(User-Friendly)的接口。通过支持多模态输入，用户可以通过更加灵活的方式传达信息；
· 更广泛的任务支持。LLM通常只能完成NLP相关任务，而MLLM通过接入多模态可以完成更多任务。
从系统设计的角度来看，MLLM可以分为两类：
· LLM作为推理器的、支持多模态输入的认知推理系统；
· LLM作为规划器/调度器/决策器的多工具协作系统。
前者一般通过可训练的多模态转换接口将多模态信息转化为LLM可以直接接收、处理的形态，使LLM可以基于这些多模态信息以及用户指令进行认知与推理。
后者通常以LLM作为规划器/调度器/决策器[1]，将用户交付的复杂任务分解为更简单的子任务，并派发给合适的模型/工具，最后整合结果并输出。
我们采取另一种视角，聚焦于MLLM背后的关键技术与实现方式，对相关工作进行了调研与总结，将MLLM划分为以下几类：
· 多模态指令微调（Multimodal Instruction Tuning）
· 多模态上下文学习（Multimodal In-Context Learning）
· 多模态思维链（Multimodal Chain-of-Thought）
· LLM辅助的视觉推理（LLM-Aided Visual Reasoning）
下面我们将对这几类工作进行简要介绍。
多模态指令微调（Multimodal Instruction Tuning）多模态指令微调的基本做法是使用统一的模板将各类数据统一起来，并以指令的形式描述任务需求，形成多模态指令数据，再使用这种数据去微调MLLM。
由于训练与测试时的指令形式具有一致性，LLM可以凭借其强大的语义理解和推理能力，更灵活地泛化到其他任务，获得强大的零样本学习能力。
多模态指令数据的基本形式可以概括为（指令，多模态输入，回答）三元组。
一种直观的获得这种数据的方式是改造基准（Benchmark）数据集，我们以图像描述（Image Captioning）为例，如下图1所示：
图1. 多模态指令数据示例
原本的Caption数据样本包括一张图片和一段文字描述（Ground Truth），这种数据-GT的配对数据自然构成了指令数据的多模态输入和回答部分。
指令部分则为相应任务的描述，一般由人工编写或者调用GPT生成。
在进行多模态指令微调时，MLLM转化多模态输入并送入LLM中，LLM基于多模态信息与指令文本预测答案。
多模态上下文学习（Multimodal In-Context Learning）多模态上下文学习的核心思想是从类比中学习。比如，我们在学习时一般接触到的形式如下：
通过学习例题，我们在遇到新的问题时，可以通过类比例题学习基本思想与方法，从而解决新的问题。
此外，例题还能规范我们的回答格式，更有利于得到正确的、符合预期要求的答案。
如下图2所示，通过样例让模型预测3x7的计算结果。
图2. 多模态上下文数据示例，通过样例让模型预测3x7的计算结果
多模态思维链（Multimodal Chain-of-Thought）思维链即一系列中间推理步骤[2]。多模态思维链的基本思想是使模型学会逐步输出中间步骤，最后推理出最终答案，如下图3所示：
图3. 多模态思维链数据示例
相比于直接输出答案的方式，思维链：
· 更符合人类推理习惯：基于之前的推理步骤与结果，逐步导向最终答案；
· 适用于复杂的推理任务，将复杂问题分步求解，提高回答的准确性。
LLM辅助的视觉推理（LLM-Aided Visual Reasoning）利用LLM作为决策与推理机构，调用各种多模态模型和工具并整合输出，得到最后的答案。根据完成任务的方式一般可分为单轮模型与多轮模型。
单轮模型的基本思想是由LLM作为规划器、调度器和决策器协调各个模型/工具完成任务，一般需要完成以下职能[1]:
· 规划器：将复杂任务分解为可解的子任务；
· 调度器：将子任务派发给合适的模型/工具；
· 决策器：管理子任务执行顺序，整合子任务结果得到最终答案。
多轮模型基于迭代的思想，不断积累视觉认知，直到足够自信得到最终答案。在这个过程中，LLM需要整合之前的步骤 (提出的问题与已获得的视觉认知信息)，判断是否可以输出最终答案[3]。
相关论文详见：https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models