AlignGPT: Multi-modal Large Language Models with Adaptive Alignment Capability

本文是LLM系列文章，针对《AlignGPT: Multi-modal Large Language Models with Adaptive Alignment Capability》的翻译。

摘要

多模态大语言模型（MLLMs）被广泛认为是通用人工智能（AGI）研究的关键。MLLM的核心在于其实现跨模态对齐的能力。为了实现这一目标，当前的MLLM通常遵循两个阶段的训练范式：预训练阶段和指令调优阶段。尽管取得了成功，但这些模型中对齐能力的建模仍存在不足。首先，在预训练阶段，模型通常假设所有图像文本对都是一致对齐的，但事实上不同图像文本对之间的对齐程度是不一致的。其次，目前用于微调的指令包含各种任务，不同任务的指令通常需要不同级别的对齐能力，但之前的MLLM忽略了这些差异化的对齐需求。为了解决这些问题，我们提出了一种新的多模态大型语言模型AlignGPT。在预训练阶段，我们不是平等对待所有图像文本对，而是为不同的图像文本对分配不同级别的对齐能力。然后，在指令调优阶段，我们自适应地组合这些不同级别的对齐能力，以满足不同指令的动态对齐需求。大量的实验结果表明，我们的模型在12个基准测试中取得了有竞争力的性能。

1 引言

2 相关工作

3 方法

4 实验

5 结果和分析

6 结论

在本文中，我们提出了 AlignGPT，这是一种新颖的多模态大型语言模型，旨在增强 MLLM 的对齐能力。我们的方法包括在预训练期间利用数据的对齐级别作为控制信号，以有效处理图像-文本对中不同程度的对齐。随后，在指令调整阶段，我们首先利用这些控制信号来塑造不同级别的对齐能力。继续