Aligning Modalities in Vision Large Language Models via Preference Fine-tuning

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https://github.com/YiyangZhou/POVID可用。

1 引言

2 前言

3 构建VLLM中对齐模式的偏好

4 实验

5 相关工作

6 结论