本文是LLM系列文章,针对《Aligning Modalities in Vision Large Language Models via Preference Fine-tuning》的翻译。
摘要
指令跟随视觉大语言模型(VLLMs)最近在各种任务上取得了重大进展。这些方法融合了强大的预训练视觉模型和大型语言模型(LLM)。由于这些组件是单独训练的,因此需要将学习到的表示与附加图像语言对的联合训练相一致。这个过程并不完美,可能会导致模型产生幻觉——提供的答案不能准确反映图像,即使核心LLM是高度真实的,并且视觉主干具有足够完整的表示。在这项工作中,我们将幻觉问题定义为一个对齐问题,并通过偏好调整来解决它。具体来说,我们提出了POVID来生成具有AI模型的反馈数据。我们使用基准指令作为首选响应,并采用两阶段方法生成解引用数据。首先,我们提示GPT-4V将看似合理的幻觉注入正确的答案中。其次,我们扭曲图像以触发VLLM固有的幻觉行为。这是一种自动化方法,不依赖于人工数据生成,也不需要完美的专家,这使其易于扩展。最后,通过直接偏好优化将这两种生成策略集成到RLHF管道中。在广泛基准测试的实验中,我们表明,我们不仅可以减少幻觉,还可以提高标准基准测试的模型性能,优于先前的方法。我们的数据和代码在