近段时间来，AI 对话助手在语言任务上取得了不小的进展。这种显著的进步不只是基于 LLM 强大的泛化能力，还应该归功于指令调优。这涉及到在一系列通过多样化和高质量指令的任务上对 LLM 进行微调。
借助指令调优获得零样本性能的一个潜在原因是，它内化了上下文。这很重要，特别是当用户输入跳过常识性的上下文时。通过纳入指令调优，LLM 获得了对用户意图的高度理解，即使在以前未见过的任务中也能表现出更好的零样本能力。
然而，一个理想的 AI 对话助手应该能够解决涉及多种模态的任务。这需要获得一个多样化和高质量的多模式指令跟随数据集。比如，LLaVAInstruct-150K 数据集（也被称为 LLaVA）就是一个常用的视觉 - 语言指令跟随数据集，它是使用 COCO 图像、指令和从 GPT-4 中获得的基于图像说明和目标边界框的响应构建的。但 LLaVA-Instruct-150K 具有三个局限性：有限的视觉多样性；使用图片作为单一视觉数据；上下文信息仅包含语言形态。
为了推动 AI 对话助手突破这些限制，来自新加坡南洋理工大学、微软雷蒙德研究院的学者们提出了多模态上下文指令调优数据集 MIMIC-IT，这是一个包含 280 万条多模态上下文指令 - 相应对的数据集，涵盖各种现实生活场景。
论文地址：https://arxiv.org/pdf/2306.05425.pdf
此外，为了高效地生成指令 - 响应对，研究者还介绍了「Sythus」，这是一个受 self-instruct 方法启发的指令 - 响应注释的自动化 pipeline。Sythus 采用系统信息、视觉注释和上下文中的例子来指导语言模型（GPT-4 或 ChatGPT）根据视觉语境生成指令 - 响应对，针对视觉语言模型的三个基本能力：感知、推理和规划。此外，英文的指令和响应被译成七种语言，以支持多种语言的使用。
特别值得注意的是，研究者在 MIMIC-IT 上训练了基于 OpenFlamingo 的多模态模型「Otter」。通过 ChatGPT、人类两个方面的评估，Otter 的多模态能力超越了近期的其他视觉 - 语言模型。
在一系列 Demo 中，研究者展示了 Otter 的多模态问答能力：
Q：接下来出哪张牌？
A：八筒。这样你就能留着四条和五条，等着凑成顺子。
Q：我想着陆了，怎么操作？
A：按一次左下按钮，左转，要着陆时拉右边的手刹。
Q：接下来怎么办？
A：把球传到中路，跑到球门，寻找进球机会。
接下来，让我们看看研究细节。
MIMIC-IT 数据集
MIMIC-IT 数据集包括 280 万个多模态指令 - 响应对，涵盖了基本能力：感知、推理和计划。每个指令都伴随着多模态的对话背景，使在 MIMIC-IT 上训练的 VLM 能够在交互式指令中表现出很好的熟练度，并能进行零样本的概括。
相比于 LLaVA，MIMIC-IT 的特点包括：
(1) 多样化的视觉场景，包含了一般场景、自我中心视角场景和室内 RGB-D 图像等不同数据集的图像和视频；
(2) 多个图像（或一个视频）作为视觉数据；
(3) 多模态的上下文信息，包括多个指令 - 响应对和多个图像或视频；
(4) 支持八种语言，包括英文、中文、西班牙文、日语、法语、德语、韩语和阿拉伯语。
下图进一步展示了二者的指令 - 响应对对比（黄色方框为 LLaVA）：
如表 1 所示，MIMIC-IT 的数据源来自七个数据集：COCO、Spot-the-diff (SD)、ScanNetV2 (SN)、VisualStorytelling (VIST) 、DenseCaption/Activity caption（DC）、TVCaption（TVC）和 Ego4D（E4D）。「上下文」这一列的「lang.」表示语言，「vis.」表示视觉。
Sythus：自动化指令 - 响应对生成 pipeline
同时，研究者提出了 Sythus（图 3），这是一个自动化 pipeline，用于生成多种语言的高质量指令 - 响应对。在 LLaVA 提出的框架基础上，研究者利用 ChatGPT 来生成基于视觉内容的指令 - 响应对。为了确保生成的指令 - 响应对的质量，该 pipeline 将系统信息、视觉注释和上下文中的样本作为 ChatGPT 的 prompt。系统信息定义了所生成的指令 - 响应对的预期语气和风格，而视觉注释则提供了基本的图像信息，如边界框和图像描述。上下文中的样本帮助 ChatGPT 在语境中学习。
由于核心集的质量会影响后续的数据收集过程，研究者采用了一个冷启动策略，在大规模查询之前加强上下文中的样本。在冷启动阶段，采用启发式方法，仅通过系统信息和视觉注释来 prompt ChatGPT 收集上下文中的样本。这个阶段只有在确定了令人满意的上下文中的样本后才结束。在第四步，一旦获得指令 - 响应对，pipeline 会将它们扩展为中文（zh）、日文（ja）、西班牙文（es）、德文（de）、法文（fr）、韩文（ko）和阿拉伯语（ar）。进一步的细节，可参考附录 C，具体的任务 prompt 可以在附录 D 中找到。
经验性评估
随后，研究者展示了 MIMIC-IT 数据集的各种应用以及在其上训练的视觉语言模型 (VLM) 的潜在能力。首先，研究者介绍了使用 MIMIC-IT 数据集开发的上下文指令调优模型 Otter。而后，研究者探索了在 MIMIC-IT 数据集上训练 Otter 的各种方法，并讨论了可以有效使用 Otter 的众多场景。
图 5 是 Otter 在不同场景下的响应实例。由于在 MIMIC-IT 数据集上进行了训练，Otter 能够为情境理解和推理、上下文样本学习、自我中心的视觉助手服务。
最后，研究者在一系列基准测试中对 Otter 与其他 VLM 的性能进行了比较分析。
ChatGPT 评估
下表 2 展示了研究者利用 MMAGIBench 框架 [43] 对视觉语言模型的感知和推理能力进行广泛的评估。
人类评估
Multi-Modality Arena [32] 使用 Elo 评级系统来评估 VLM 响应的有用性和一致性。图 6 (b) 显示 Otter 展示了卓越的实用性和一致性，在最近的 VLM 中获得了最高的 Elo 评级。
少样本上下文学习基准评估
Otter 基于 OpenFlamingo 进行微调，OpenFlamingo 是一种专为多模态上下文学习而设计的架构。使用 MIMIC-IT 数据集进行微调后，Otter 在 COCO 字幕 (CIDEr) [27] 少样本评估（见图 6 (c)）上的表现明显优于 OpenFlamingo。正如预期的那样，微调还带来了零样本评估的边际性能增益。
图 6：ChatGPT 视频理解的评估。
讨论
缺陷。虽然研究者已经迭代改进了系统消息和指令 - 响应示例，但 ChatGPT 容易出现语言幻觉，因此它可能会生成错误的响应。通常，更可靠的语言模型需要 self-instruct 数据生成。
未来工作。未来，研究者计划支持更多具体地 AI 数据集，例如 LanguageTable 和 SayCan。研究者也考虑使用更值得信赖的语言模型或生成技术来改进指令集。
