北大等发布多模态版o1！首个慢思考VLM将开源，视觉推理超越闭源模型

北大等出品，首个多模态版o1开源模型来了——

代号LLaVA-o1，基于Llama-3.2-Vision模型打造，超越传统思维链提示，实现自主“慢思考”推理。

在多模态推理基准测试中，LLaVA-o1超越其基础模型8.9%，并在性能上超越了一众开闭源模型。

新模型具体如何推理，直接上实例，比如问题是：

减去所有的小亮球和紫色物体，剩下多少个物体？选项：A. 4，B. 8，C. 2，D. 6

传统提示词方法还是老路子，让Llama-3.2-11B-Vision-Instruct打个样就是：

第一步减去所有的小亮球；

第二步减去所有紫色物体；

最后给出答案，鉴于我们已经移除了所有的小亮球，而且一开始就没有紫色物体，正确答案是C. 2；

哐哐一顿输出，得出错误结果。

我们再来看LLaVA-o1的推理过程：

总结阶段：问题是什么？我应该怎么做？

注释阶段：我能从这张图片中知道什么？

推理阶段：如何一步一步解决问题？

结论阶段：最终答案是什么？

是不是明显不同。这就对了，LLaVA-o1超越传统COT思维链，采用了结构化、多步骤推理。

简单说，它将推理过程划分为四个阶段，并在每一阶段采用优中选优策略来为下一阶段提供响应。

难怪看完最新效果，网友们直呼：推理 is all you need！

看来，让模型思考更多在多模态领域也同样适用——

“第一个能自发、系统推理的视觉语言模型”

前一阵，o1模型的发布又带火了COT思维链这一推理模式。（像人类一样步步思考）

于是，让模型思考更多是否会提高模型能力成为新的研究热点。

这不，除了像o1这样的通用大语言模型，北大团队还瞄上了多模态这一领域——

他们超越传统COT思维链，采用结构化、多步骤推理，一举推出多模态版o1模型——LLaVA-o1。

作者先澄清了一下， 虽然最近的VLM模型有类似名称，但LLaVA-o1是建立在Llama-3.2-Vision模型之上，而不是LLaVA。

那么，学会逐步推理的LLaVA-o1有多大提升呢？

根据论文介绍，仅用一个包含10万训练样本的数据集，LLaVA-o1在多模态推理基准测试中超越了其基础模型8.9%，并且在性能上超越了更大的模型。

甚至包括一些闭源模型，如Gemini-1.5-pro、GPT-4o-mini和Llama-3.2-90B-Vision-Instruct。

针对这一提升，团队也发现了背后的关键原因：

结构化响应显著提高了模型的系统推理能力

为了使LLaVA-o1更加结构化和系统化，团队设计了4个标签来帮助模型识别当前的推理阶段，并使用GPT-4o来生成LLaVA-o1-100k数据集。

• <摘要>：该模型简要解释了接下来的任务
• <标题>：它描述了图像中的重要细节（如果有）
• <理由>：它详细分析了这个问题
• <结论>：它基于分析提供最终答案

借助这些标签，LLaVA-o1将推理过程划分为四个明确的阶段：总结（Summary）、视觉解释（Caption）、逻辑推理（Reasoning）和结论生成（Conclusion）。

与思维链提示不同，LLaVA-o1独立参与了这些连续阶段。

不过需要提醒，在LLaVA-o1的推理过程中，前三个阶段都在内部处理（对用户隐藏），而最终结论阶段才是用户可以看到并直接与之交互的。

采用这种设计，可以使模型在不向用户暴露复杂推理细节的情况下，提供清晰和准确的答案。

接下来，LLaVA-o1通过监督微调和阶段级光束搜索方法（stage-level beam search method）来进一步提升推理能力和推理时间的可扩展性。

这里我们重点说一下团队创新提出的阶段级光束搜索方法。

简单说，团队为每个阶段（用标签标记）生成多个响应，并选择其中最佳的一个进入下一阶段。

更具体的，这是一种用于推理时间扩展（Inference-time scaling）的技术，与传统方法不同，阶段级光束搜索专注于模型推理过程中的每个独立阶段。

在这种方法中，模型在每个推理阶段生成多个候选结果，然后从中选择最佳的结果继续下一个阶段的推理。

由于它允许模型在每个阶段进行选择和优化，从而提高了整体推理的质量。

通过这种分阶段的搜索策略，LLaVA-o1能够更有效地进行推理，尤其是在处理复杂的多模态推理任务时。

最后，通过对Llama-3.2-11B-Vision-Instruct模型的微调，结果显示：

LLaVA-o1在多模态推理基准测试上使用10万个训练样本和简单的推理时间扩展方法，实现了8.9%的性能提升，超越了同等规模以及更大或闭源的模型。

北大、鹏城实验室等团队出品

简单认识一下研究背后的团队，论文作者一共6人，下面一一介绍。

Guowei Xu，目前本科就读于清华姚班，对强化学习、机器人和科学领域的AI应用感兴趣。

去年入学以来，他已在国际学术会议上参与发表多篇论文，并获得2024新生一等奖。

Peng Jin（金鹏），曾在清华大学获得学士学位，目前是北大三年级博士生，师从袁粒。

他对文本-视频检索、跨模态表示学习以及多模态大语言模型感兴趣，从2022年9月至今，已有11篇论文被顶会接收。

和他同样北大博三，师从袁粒的，还有Hao Li（李昊），不过李昊之前毕业于北大计算机科学系。

李昊对多模态学习、视觉理解和化学科学人工智能感兴趣，至今已在国际顶会上发表了20多篇论文，总谷歌学术引用量300+。

而他们的老师袁粒，量子位的读者想必都很熟悉了。

袁粒目前是北大深圳研究生院助理教授，专注于多模态深度学习研究方向，一作论文单篇被引用千余次。

屡屡登上热搜的ChatExcel、ChatLaw等垂直领域产品，都是出自他的团队。

另外两位作者：

Yibing Song（宋奕兵），目前是阿里达摩院研究员/研究经理，之前还是复旦大学的一名教师，并在腾讯AI实验室担任高级研究员。

他当前主要对多模态AI感兴趣，至今发表了50多篇顶级论文，而且被斯坦福大学选为全球前2%的科学家之一。

Lichao Sun，目前是美国莱赫大学计算机科学与工程系助理教授。

在此之前，他于2020年在伊利诺伊大学芝加哥分校获得计算机科学博士学位。

他还是多项奖项的获得者，包括2024年微软加速基础模型研究奖、2024年OpenAI研究员奖和NSF CRII奖。

接下来，团队宣布LLaVA-o1的代码、预训练权重、数据集等即将全部开源。

感兴趣的童鞋可以蹲一波了~

论文：

https://arxiv.org/abs/2411.10440

GitHub：

https://github.com/PKU-YuanGroup/LLaVA-o1

参考链接：

[1]https://news.ycombinator.com/item?id=42171043

[2]https://x.com/gm8xx8/status/1858342933440725090

文章来自于微信公众号“量子位”，作者“一水”