多模态大模型学杂了能力反下降？新研究：MoE+通用专家解决冲突

关注

原创最新推荐文章于 2026-09-08 16:12:49 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

大模型分类指南：MoE、推理模型与多模态到底怎么分？ 大模型技术演进中，模型命名与能力标签日益复杂，许多开发者将架构、能力与模态混为一谈，导致选型错误。理解分类的本质是高效部署与调用的前提。从架构维度看，Dense与MoE（混合专家模型）回答的是“模型内部如何搭建”，MoE通过路由机制激活部分专家，在算力有限时增加参数容量；从能力维度看，推理模型通过强化学习或思维链强化多步逻辑推断，适合数学证明与复杂代码生成；从模态维度看，多模态模型引入视觉编码器，让模型能理解图文混排内容。三者正交，可同时存在于一个模型中。掌握“架构看参数、能力看训练、模态看接口”的判断口诀阅读详情

微调，能让通用大模型更加适配具体的行业应用。

但现在，研究人员们却发现：

对多模态大模型做“多任务指令微调”，大模型可能会“学得多错得多”，因为不同任务之间的冲突，导致泛化能力下降。

△多模态指令微调存在任务冲突

举个例子，多模态问答任务可能要求回复尽可能简洁准确，文档理解任务却会反过来要求大模型尽可能详细地做出描述。

不同下游任务指令微调数据分布差异较大，导致一个大模型难以在多个下游任务中均达到最优性能。

如何解决这个问题？

来自香港科技大学、南方科技大学和华为诺亚方舟实验室的联合研究团队，受MoE（混合专家模型）开源大模型Mixtral-8×7B的启发，提出利用稀疏专家模型，打造下游任务泛化性能更好、理解能力更强的多模态大模型。

具体细节，一起来看。

多模态指令微调存在任务冲突

为了验证多模态指令微调中不同类型任务数据对模型性能的影响，研究人员将数据进行如下划分：

VQA（视觉问答）：VQAv2、OKVQA、A-OKVQA、OCRVQA，
Captioning（图像描述）：COCO Caption、Web CapFilt、TextCaps，
Full(所有数据)：VQA、Captioning、LLaVA-150k、VQG（视觉问题生成，基于VQA数据）。

基于以上数据，研究人员采用LoRA对InstructBLIP进行微调，获得3个专家模型，并在其他数据（Flickr30k-图像描述、GQA/SciQA/IconQA/TextVQA等不同类型视觉问答、HM/VSR等多模态分类或推理任务）上进行零样本测试和评估。

从上图（右）中可以看出，在指令微调中，并非采用全量数据会取得最好效果，相反，只有三个下游任务（GQA，VSR，TextVQA）在全量数据专家下表现最好。

这说明，对于大部分任务来说，在指令微调过程中引入其他任务的数据，反而会降低模型性能，多模态指令微调存在任务冲突。

另一方面，实验中观察到，VQA和Captioning两个专家模型，在各自任务中取得了相较于全量专家更好的表现。这样的方法看似解决了任务冲突的问题，但存在以下局限：

不同训练任务的知识无法在任务专家之间共享；
训练的数据需要人为地划分，当训练数据种类较多时难以进行；
新任务来临时，需要人为判断使用哪一个任务专家。

为了解决以上局限，研究团队提出，可以利用稀疏专家模型（MoE），不同的专家处理不同的任务，并设计一种数据划分的方法，把相似的任务交给同一个专家处理。

基于指令聚类的稀疏专家多模态大模型

通过指令聚类划分数据

在大型视觉-语言模型（LVLM）中，该文定义指令为所有的文本输入，如上图（左）C1-C4的文本。

这些指令描述了任务的意图、要求。因此，作者使用Kmeans将所有的指令聚为64类。

如上图（右）所示，指令的聚类信息可以有效表示数据的任务类型。这样做省去了人力划分数据的成本。

基于指令聚类信息进行混合LoRA专家路由

和前面的任务专家相似，模型在该层的输出同样由冻结的LLM线性层以及微调的LoRA产生。

不同的是，这里利用数据的指令聚类信息来对混合LoRA进行路由。具体而言，对于的模型的输入，可以按照如下方式计算它的路由信息：

其中，topk()（考虑k=1的情况）保持前k个最大项不变，并将其他的设置为0，C是可学习的类别的嵌入表征，C[xi]表示xi对应指令的聚类表征，Wgate是路由的线性参数。

通用专家提升模型泛化性

实验发现，上述的指令聚类LoRA专家的确缓解了任务冲突的问题，但由于一个专家可能只见过一部分任务，整个模型对下游任务的泛化性降低了。

因此，该研究团队提出用通用专家来从所有数据中学习指令泛化能力。

与MoE不同，除了通过top1选择的任务专家，该方法还固定地激活一个通用专家，使得这个专家从所有的指令数据中学习。

因此，模型在该层输出为LLM原始冻结参数W，任务专家We和通用专家Wu的加权和。

在这样的设计下，任务专家和通用专家的协同既提升了模型在和训练集相似任务的表现，又保障了模型对新任务的泛化能力。

实验效果

该论文遵循InstructBLIP的实验场景（数据使用、评估标准、训练细节），在13个训练数据集（包括VQA、Captioning、VQG等）上进行指令微调并在11个测试数据集上评估（训练数据集和测试数据集没有重叠）。

由上表所示，引入该文章提出的方法（MoCLE）后，InstructBLIP相较于基线模型在所有下游任务上都有提升，其中，在VSR，IconQA，TextVQA和MSVD-QA的提升尤为明显。

上图可视化了LLM某一层混合LoRA专家在不同数据下的路由结果，虚线上下方分别是训练和测试数据。(a)和(b)分别显示了使用指令聚类信息和指令token平均表征作为路由的结果。

可以看到，使用指令聚类信息路由时，数据在专家中出现了分化。例如专家0主要负责VQA相关任务，专家2主要负责Captioning相关任务，有效实现专家的差异化。另一方面，使用指令token平均表征作为条件时，不同任务对专家的激活是相似的，没有出现分化。

研究团队认为，稀疏专家多模态大模型+通用专家模块的组合，缓解了任务之间的冲突，还保证了稀疏模型对任务的泛化能力，使得多模态大模型能够更有效地适配不同的下游行业应用。

这是首个在多模态大模型指令微调中结合LoRA和稀疏专家模型（MoE）来缓解任务冲突并保持模型泛化能力的工作。
该工作证实了其应对复杂下游任务的有效性，并未多模态大模型的应用和发展开辟了新途径。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述