前有OpenAI的GPT-4o，后有谷歌的系列王炸，先进的多模态大模型接连炸场。
其他从业者在震撼之余，也再次开始思考怎么追赶这些超级模型了。
刚好在这时，HuggingFace和法国索邦大学的一篇论文，总结出了构建视觉大模型的关键经验，给开发者指明了一条路。
图片
这些经验涵盖了模型架构选择、训练方法、训练数据等多个方面，作者在多方比较之后给出了详尽的总结，核心要点包括这些内容：
- 想把视觉大模型搞好，架构的选择很重要。
- 语言模型对整体表现的影响，比视觉模块更大。
- 采用分阶段预训练策略，更有利于构建模型能力。
- 训练数据应包含多种类型，并注意之间的比例平衡。
可以说，HF能够打造出同规模SOTA的视觉模型Idefics2，背后依靠的都是这些经验。
Idefics2基于Mistral-7B打造，整体拥有8B的参数量，可以准确识别出手写字体。
图片
专业人士评价称，这是一篇很好的调查报告，对视觉模型开发者很有帮助，不过同时也提醒说不要当成万金油来看。
图片
当然也有人打趣说，什么架构数据都是浮云，有GPU才是最关键的。
图片
倒也有些道理，不过玩笑归玩笑，还是来看看HuggingFace都带给了我们哪些经验。
来自SOTA模型开发实战
HuggingFace论文中的这些经验，来自于视觉模型Idefics2的开发过程。
与前一代Idefics1和Flamingo等同规模前SOTA相比，Idefics2在多个数据集上表现优异，甚至还超过了更大的13B模型。
同时，和在COCO数据集上略胜于Idefics2的MM1相比，Idefics2在每张图上消耗的token大幅减少。
图片
从Idefics2的开发实战当中，HuggingFace给我们带来的经验至少包含以下几个方面：
- backbone和架构的选择
- 训练方法和策略
- 数据多样性和处理策略
语言模型对整体表现影响更大
当前的视觉大模型主要都采用语言模型+视觉编码器的形式进行开发，作者对二者给整体表现带来的影响分别进行了评估。
结果显示，语言模型的质量比视觉模型更重要。
在相同参数量的情况下，使用更好的语言模型（如将Llama-7B替换为Mistral-7B），能够显著提升视觉大模型在下游任务上的性能。
而升级视觉编码器带来的提升则较为有限，因此在需要权衡时最好的做法是优先选择更强的语言模型。
图片
当然这不意味着升级视觉编码器没有作用，在条件允许的情况下，选用更好的视觉编码器也能带来一定的性能提升。
此外还应当注意选择要与下游任务相匹配，例如在文本识别任务上，应使用支持可变分辨率的视觉编码器；如果任务对推理速度要求很高，可以选择更轻量级的模型。
以及在实际应用中，推理速度和内存占用也是需要权衡的因素，Idefics2选用的SigLIP-SO400M就在性能和效率之间取得了很好的平衡。
根据需求选择架构类型
关于架构的选择，这篇论文讨论了常见的完全自回归和交叉注意力这两种。
完全自回归架构通过自回归方式生成每个输出，考虑了整个序列的依赖关系；
后者则允许模型在处理一种模态时动态地关注另一种模态的不同部分，实现更灵活的模态间交互。
在具体工作中，作者发现哪种架构表现更好取决于预训练的backbone是否被冻结。
（简单说，若预训练backbone参与正式训练过程则为非冻结，不参与则为冻结）
若未被冻结，则完全自回归架构的表现更优，反之则是交叉注意力架构更好。
图片
至于是否需要对backbone进行冻结，就要看开发者需求的侧重点了。
在资源有限的条件下，如果需要高性能、对延迟高度敏感，选择冻结更为合适；
如果希望模型具有更高的灵活性和适应性，则应选择非冻结的训练方式。
具体到Idefics2，选择了不冻结backbone，因此相应地采用了完全自回归架构。
图片
训练阶段的经验
选择好适当的架构固然重要，训练过程同样也必不可少，在Idefics2的训练过程之中，作者总结出了这些经验供我们参考：
一是整体上采用分阶段的预训练策略，初始阶段使用较低分辨率的图像，随后引入更高分辨率的PDF文档，这种做法可以逐步构建模型的多种能力。
二是使用Learned Pooling替代直接将图像特征送入语言模型，这可以大幅减少图像token数量，显著提升训练和推理效率，并且还带来了性能的提升。
三是数据增强，一种方法是在训练时将图像切分成多个子图像送入模型，可以在推理时用计算时间换取更强的性能，这在文本识别等任务上尤为有效，不过并非所有图片都需要这样处理。
四是在指令微调阶段使用更多元的数据和任务，可以提升模型的泛化和鲁棒性。
此外为了稳定训练，当预训练的单模态backbone参与训练（非冻结）时，作者还使用了LoRA技术来适配预训练参数。
数据的多样性和处理策略
除了训练过程本身，所选用的数据也会对模型的表现造成重大影响。
从收集阶段开始，就应注意要选择多种类型的数据，如Idefics2就使用的数据就包括三类——图文对齐的文档（如网页）、图像-文本对（如图片标题），以及带OCR标注的PDF文档。
对于各类数据所占的比例，也应根据实际需要进行适当平衡，而不是简单等分。
至于数据规模，则是在条件允许的情况下多多益善，当然应当注意过滤掉低质量数据。
当然收集只是获得训练数据的一个步骤，想把模型训练好，还需要进行一定的加工处理。
对不同类型的数据采用不同的预处理和增强策略，比如对于OCR数据，使用更高分辨率的图片是必要的，其他数据则可以使用较低分辨率。
这其中需要注意的是，处理图像时要保留原始的宽高比和分辨率，可以在提高模型适应性的同时大幅节省训练和推理的计算开销。
如果你认为这些经验对你有所启发，可以读读原论文了解更多详情，也欢迎在评论区交流你的开发经验。
