作者： AIGC开放社区  来源： [AIGC开放社区](https://mp.weixin.qq.com/s/2fg_yEIr5pBIUrZ-t_mLAw)

专注AIGC领域的专业社区，关注OpenAI、百度文心一言等大语言模型（LLM）的发展和应用落地，关注LLM的基准评测和市场研究，欢迎关注！

整理自 Happy

量子位 | 公众号 QbitAI

GPT-4的爆火，彻底掀起了学术界对于多模态大模型 的研究热潮。

不过，这类模型的性能究竟要如何衡量，业界却一直众说纷纭，没有一个覆盖面足够广泛的评价标准 。

此外，也还没有一篇完整综述对其进行定义和研究。

考虑到这一点，腾讯优图分别联合中国科学技术大学以及厦门大学，一连发布了两篇关于多模态大模型的论文。

这里面不仅有首篇多模态大模型综述 ——

还有一个全面的评测榜单 ！

相关项目在GitHub上爆火，截至7月3号已经揽获2200+ 星。

那么，当前业界最好用的多模态大模型究竟有哪些？它的定义、关键技术、优势和存在的挑战又是什么？

我们一起来看看。

多模态大模型TOP12排行

研究人员一共设置了16个榜单 ，包括了两个总榜单和14个子任务。

总榜单 可以看做是模型“整体能力”的评分，分为感知类 和认知类 ，14个子任务则是其中的一些细分小任务，可以评测多模态大模型是不是更擅长做某件事。

研究人员一共挑选了12个开源多模态大模型，给评测标准做个“示范”。

感知类 总榜单，是将各项感知任务综合起来的总评分，显示是BLIP-2最高：

认知类 总榜单，则是各种涉及认知类任务的榜单，加起来是MiniGPT-4最高：

评测结果发现，BLIP-2和InstructBLIP在这两个榜单中都保持在前三，属实是当前开源多模态大模型的“顶流玩家”了。

具体到14个子任务 上，模型的排名又有所不同。

评测结果具体如下，谁更“偏科”、谁更能在各种任务上做到综合性最优，可以说是一目了然：

所以，这个榜单的评分结果究竟是如何得出的呢？

评分标准如何得出

论文认为，一个好的多模态大模型评分标准，应该具备以下四大特性 ：

（1）应该覆盖尽可能多的范围，包括感知和认知能力（感知是认知的基础）。

其中，前者指的是识别物体，包括其存在性、数量、位置和颜色等；后者指的是基于综合感知信息以及LLM中的知识来进行更复杂的推理，包括包括常识推理、数值计算、文本翻译和代码推理等任务。

（2）它的数据或者标注应该尽可能避免采用已有的公开数据集，以减少数据泄露的风险。

因此，评测中所有的指令-答案对都应该是人工构建的，对于少量使用到的公开数据集，仅使用其图像而没有依赖其原始标注。同时，尽力通过人工拍摄和图像生成的方式来采集数据。

（3）指令设计应该尽可能简洁，并且符合人类的认知习惯。

不同的指令设计可能会极大影响模型的输出，但所有的模型都在统一的简洁指令下进行评测可以保证公平性。一个好的多模态大模型应该具备泛化到这种简洁指令上的能力，避免陷入提示工程。

（4）多模态大模型在该简洁指令下的输出应该是直观的、并且便于定量统计。

多模态大模型开放式的回答给量化统计提出了很大挑战。现有方法倾向于使用GPT或者人工打分，但可能面临着不准确和主观性的问题。

因此，在经过制作后，最后的评测问题大约长这样：

随后， 根据模型回答的准确性来进行判分。

值得一提的是，作者们也尝试过设计选择题的指令，但发现当前的多模态大模型还难以跟随这类较为复杂的指令。（doge）

首篇多模态大模型综述

当然，这个榜单的评测标准并非“空穴来风”。

要想知道为什么榜单这样评分，可以去看看另一篇关于多模态大模型的论文综述，后者仔细整理了它的定义、关键技术和挑战。

具体来说，论文将多模态大模型（MLLM）定义为“由LLM扩展而来的具有接收与推理多模态信息能力的模型”。

这类模型相较于热门的单模态LLM，具有以下优势：

• 更符合人类认知世界的习惯。人类具有多种感官来接受多种模态信息，这些信息通常是互为补充、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任务。

• 更加强大与用户友好的接口。通过支持多模态输入，用户可以通过更加灵活的方式输入与传达信息。

• 更广泛的任务支持。LLM通常只能完成纯文本相关的任务，而MLLM通过多模态可以额外完成更多任务，如图片描述和视觉知识问答等。

因此，要想研究这类多模态大模型，往往需要掌握三个关键技术 ：

1、多模态指令微调（Multimodal Instruction Tuning, M-IT）
2、多模态上下文学习（Multimodal In-Context Learning, M-ICL）
3、多模态思维链（Multimodal Chain of Thought, M-CoT）

除此之外，还需要针对它的一个应用 进行研究（以 LLM 为核心的多模态系统），即LLM辅助的视觉推理（LLM-Aided Visual Reasoning, LAVR）。

不过，目前多模态大模型还处于起步阶段，因此也存在一些挑战，如感知能力受限、推理链较为脆弱、指令服从能力需要进一步提升以及物体幻视问题普遍存在等。

更多综述细节和榜单详情，可以戳论文查看~

多模态大模型榜单：
https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models/tree/Evaluation

论文地址：
[1]综述：https://arxiv.org/abs/2306.13549
[2]评测：https://arxiv.org/abs/2306.13394

本文来源量子位，如有侵权请联系删除*

END