Flowable工作流引擎的科普與實踐
一.引言當(dāng)我們在日常工作和業(yè)務(wù)中需要進行各種審批流程時，可能會面臨一系列技術(shù)和業(yè)務(wù)上的挑戰(zhàn)。手動處理這些審批流程可能會導(dǎo)致開發(fā)成本的增加以及業(yè)務(wù)復(fù)雜度的上升。在這
還在用指令微調(diào)解決多模態(tài)大模型的“幻覺”問題嗎？
比如下圖中模型將橙色柯基錯認(rèn)為“紅狗”，還指出周圍還有幾條。
圖片
現(xiàn)在，中科大的一項研究想到了一個全新辦法：
一個免重訓(xùn)、即插即用的通用架構(gòu)，直接從模型給出的錯誤文本下手，“倒推”出可能出現(xiàn)“幻覺”之處，然后與圖片確定事實，最終直接完成修正。
他們將這個方法命名為“啄木鳥”（Woodpecker）。
圖片
就像這位所謂的“森林醫(yī)生”先找出樹木的蟲洞再吃掉里面的蟲子一樣，本文中所提出的“啄木鳥”也是多模態(tài)大模型們的“幻覺”醫(yī)生，能夠?qū)栴}先診斷出來再一一糾正。
結(jié)果是“醫(yī)術(shù)確實高明”，成功將：
（1）MiniGPT-4的準(zhǔn)確性從54.67%提高到了85.33%；
（2）mPLUG Ow的準(zhǔn)確性從62%提到了86.33%。
如下圖所示，各種難以檢測到的小對象、復(fù)雜的計數(shù)場景，它都能沒問題。
圖片
那么，它具體是如何診斷的呢？
目前，業(yè)內(nèi)對于大模型幻覺問題的解決辦法基本都是用特定數(shù)據(jù)進行指令微調(diào)。
比如說，一些多模態(tài)大模型（MLLM）在回答問題時總是傾向于肯定答案（eg. 面對一個光頭人物圖，問它頭發(fā)是什么顏色，張口就說“黑”），那么我們再喂給模型一些包含負(fù)樣本的數(shù)據(jù)，就能解決它“無中生有”的幻覺，遇到?jīng)]有的就說“no”。
除了指令微調(diào)，也有的會進行架構(gòu)調(diào)整，反正都要重新訓(xùn)練一個新的模型。
本文提出的“啄木鳥”框架，是業(yè)內(nèi)第一個無需此操作就能解決“幻覺”的全新辦法。
它一共分為5個步驟，每一步都采用了清晰透明的設(shè)計方式，因此具備良好的可解釋性。
圖片
具體而言：
第一步，關(guān)鍵概念提取。
指找出模型給出的答案中提到的主要對象，即最有可能解除“幻覺”的元素。
例如對于下圖，多模態(tài)大模型最開始可能描述圖中有一輛自行車停在一個垃圾桶旁邊，還說圖上有幾個人從垃圾桶旁邊走過。
圖片
那么，我們就可以得到三個關(guān)鍵概念：自行車、垃圾桶和人。
第二步，問題構(gòu)造。
指在獲取關(guān)鍵概念后，圍繞它們提出一些問題有助于檢驗“幻覺”所在的問題。
可主要分為對象層面和屬性層面，前者可以問“圖中有幾輛自行車？”，后者可問“垃圾桶位于什么位置？”。
在此，由于屬性問題比較依賴于上下文，作者也用了一些帶有上下文的例子來提示模型，以便提出的問題更有意義
第三步，視覺驗證。
指引用專家模型回答上步提出的所有問題，方便后續(xù)校正。
對于對象層面的問題，例如我們利用GroundingDINO來進行目標(biāo)檢測，確定關(guān)鍵目標(biāo)是否存在以及關(guān)鍵目標(biāo)的數(shù)量。
對于屬性問題，則用BLIP-2來搞定。這類傳統(tǒng)VQA模型輸出答案的長度有限，"幻覺"問題更少。
第四步，視覺斷言生成。
簡單來說，就是基于于前兩步中獲得的問題以及對應(yīng)的視覺信息，合成結(jié)構(gòu)化的“視覺斷言”。
格式如下：
圖片
最后，“幻覺”糾正。
即根據(jù)上步的總結(jié)比對模型原始的輸出，得出新的答案。
具體實施環(huán)節(jié)中，“啄木鳥”采用GPT-3.5-turbo來完成關(guān)鍵概念提取、提問和最后一步的糾正。
由于一些多模態(tài)模型的指令跟隨能力較弱，導(dǎo)致結(jié)果可能輸出無關(guān)文本（例如表情、特殊符號），再加上有時一些模型只輸出一個“是”或“否”，這讓實際的校正過程也面臨挑戰(zhàn)。
不過，我們兩個簡單措施就可以搞定：
（1）將模型回答的“是”或“否”與“啄木鳥”給出的答案組合起來，比如“是的，圖像中有一只狗”，就不怕模型原本只是給出一個簡單的“yes or no”逃過校正了。
（2）在校正過程中，將原始問題添加到LLM，以便LLM更好地掌握文本和任務(wù)要求。
整個方法看起來非常好理解，效果如何呢？
在此，作者在POPE、MME和LLaVA-QA90數(shù)據(jù)集上進行了全面的定量和定性實驗。
基線模型選用這四個主流多模態(tài)大模型：
MiniGPT-4、mPLUG Owl、LLaVA和Otter。
最終，POPE數(shù)據(jù)集上的結(jié)果如下：
（w/Ours表示由“啄木鳥”校正的MLLM響應(yīng)，x為未采用，對勾為采用）
可以看到，“啄木鳥”都能給這幾個模型帶來不同程度的提升，同時大幅降低模型回答“yes”的概率。
其中在隨機設(shè)定下，它給MiniGPT-4和mPLUG-Owl和在準(zhǔn)確率指標(biāo)上分別帶來了30.66%和24.33%的提升。
圖片
在更全面的MME數(shù)據(jù)集上，“啄木鳥”也有效減少了多模態(tài)大模型在對象級和屬性級層面的“幻覺”，也就是某物是否存在、數(shù)量多少，以及它的位置和顏色。
比如LLaVA的顏色得分從78.33分大幅提升到155分。
圖片
不過，位置方面的“幻覺”提升不是特別大，作者推測可能是VQA模型BLIP-2在位置推理方面的能力相對較弱等原因造成的。
為了更直接地衡量修正表現(xiàn)，更直接的方式是使用開放評測。
不同于以往將圖片轉(zhuǎn)譯后送入純文本GPT-4的做法，作者利用OpenAI最近開放的視覺接口，提出使用GPT-4V對修正前后的圖片描述直接對下列兩個維度進行打分：
（1）準(zhǔn)確度：模型的答復(fù)相對于圖片內(nèi)容是否準(zhǔn)確；
（2）細(xì)節(jié)程度：模型答復(fù)的細(xì)節(jié)豐富度。
在該實驗條件下，實驗結(jié)果如下表所示（滿分為10）：
圖片
結(jié)果表明經(jīng)過“啄木鳥“修正后圖片描述的準(zhǔn)確性有一定的提升，這說明該框架可以有效修正描述中幻視的部分。
另一方面，“啄木鳥“修正后引入的定位信息豐富了文本描述，提供了進一步的位置信息，從而提升了細(xì)節(jié)豐富度。
GPT-4V輔助的評測樣例如下圖所示：
圖片
還有Demo供大家測試使用。
如下圖所示，上傳圖片并輸入請求，就可以得到修正前以及修正后的模型答復(fù)，以及供參考驗證的新圖片。
Woopecker論文地址：
https://arxiv.org/abs/2310.16045 Woopecker代碼地址：https://github.com/BradyFU/Woodpecker
本文鏈接：http://www.www897cc.com/showinfo-26-15607-0.html多模態(tài)LLM幻覺問題降低30%！業(yè)內(nèi)首個“啄木鳥”免重訓(xùn)方法誕生
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： 負(fù)載均衡器的八大使用場景介紹
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號