以僅15M的圖文對數據用于圖文對齊，實現了在視覺理解、生成、編輯等多元任務上的出色表現。

原標題：理解生成協同促進？華為諾亞提出ILLUME，15M數據實現多模態理解生成一體化
文章來源：機器之心
內容字數：4469字

華為諾亞方舟實驗室提出ILLUME：一款高效的多模態理解與生成一體化大模型

機器之心報道，華為諾亞方舟實驗室近期提出了一種名為ILLUME的統一多模態大模型，該模型致力于將視覺理解和生成能力融合到同一個框架中，實現了對多模態任務的全新詮釋。ILLUME以LLM為核心，采用“連續圖像輸入+離散圖像輸出”的架構，在僅使用約15M的圖文對數據的情況下，便在視覺理解、生成和編輯等多種任務上取得了優異的表現，其性能甚至可以與專用單任務模型相媲美。

ILLUME 的主要貢獻

1. 高效的訓練方法：ILLUME在保持架構可擴展性和泛化性的前提下，通過合理的視覺詞表、訓練策略和數據配比策略，僅用少量數據實現了在多種視覺任務上的出色表現，超越了現有許多統一多模態模型，如Chameleon、Show-O和Janus。

2. 自提升式多模態對齊策略：ILLUME提出了一種創新的自提升多模態對齊策略。該策略通過讓模型對自身生成的負樣本進行內省式評估，實現理解和生成能力的協同進化。生成能力可以幫助模型更準確地理解圖像，而理解能力則能反過來提升模型的生成精度，避免錯誤。

ILLUME 的關鍵設計

1. 語義特征重建的視覺詞表：ILLUME采用語義特征重建的方式構造視覺詞表，直接在高層語義空間中完成圖文對齊的特征學習，這與傳統基于VQGAN的視覺詞表方法相比，能夠顯著加速模型的預訓練過程，并提高圖文對齊的效率。

2. 三階段訓練策略：ILLUME采用三階段訓練策略：第一階段進行圖像重建，初始化模型參數并對齊輸入輸出模式；第二階段進行圖文對齊預訓練；第三階段對高質量數據進行微調，以提升模型在多種視覺文本任務上的性能。

ILLUME 的自提升多模態對齊策略

該策略包含三個步驟：首先，模型自生成圖像數據；其次，對生成的圖像進行多維度評估，包括物體、數量、顏色和空間關系等；最后，將評估數據重新格式化并加入到第三階段訓練中，從而強化模型的理解和生成能力。

ILLUME 的實驗結果

ILLUME在多模態理解任務上取得了SOTA水平，尤其在文檔理解方面表現突出；在文圖生成任務上取得了與現有模型相當的結果；并且能夠有效處理圖像編輯任務，例如物體刪除、風格遷移和圖像補充等。

總結

ILLUME 作為一款高效的多模態理解與生成一體化大模型，通過巧妙的架構設計、訓練策略和自提升式多模態對齊策略，在數據效率和模型性能方面都取得了顯著的突破。其在多模態理解、生成和編輯任務上的出色表現，為構建更強大、更通用的多模態人工智能系統奠定了堅實的基礎。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺