GPT-4o的横空出世，再次创立了一个多模态模型发展的新范式！
为什么这么说？
OpenAI将其称为“首个‘原生’多模态”模型，这意味着GPT-4o与以往所有的模型都不尽相同。
传统的多模态基础模型，通常为每种模态采用特定的“编码器”或“解码器”，将不同的模态分离开。然而，这种方法限制了模型有效融合跨模态信息的能力。
官博介绍，GPT-4o是“首个端到端”训练的，跨越文本、视觉和音频的模型，所有的输入和输出，都由单个神经网络处理。
而现在，业界首个敢于挑战GPT-4o的模型现身了！
最近，来自Meta团队的研究人员发布了“混合模态基座模型”——Chameleon（变色龙）。
与GPT-4o一样，Chameleon采用了统一的Transformer架构，使用文本、图像和代码的混合模态完成训练。
以类似文本生成的方式，对图像进行离散“分词化”（tokenization），最终生成和推理交错的文本和图像序列。
这种“早期融合”的方法，所有的pipeline从一开始就被映射到一个共同的表示空间，因此模型可以无缝处理文本和图像。
Chameleon生成的多模态内容
与此同时，这样的设计也为模型训练带来了重大的技术挑战。
对此，Meta研究团队引入了一系列架构创新和训练技术。
结果表明，在纯文本任务中，340亿参数Chameleon（用10万亿多模态token训练）的性能和Gemini-Pro相当。
在视觉问答和图像标注基准上，刷新SOTA，性能接近GPT-4V。
不过，不论是GPT-4o，还是Chameleon，都是新一代“原生”端到端的多模态基础模型早期探索。
GTC2024大会上，老黄描述了迈向AGI最终愿景的重要一步——各种模态互通有无。
下一个开源GPT-4o要来？
Chameleon的发布，简直就是对GPT-4o做出的最快的反应。
有网友表示，token进，token出，简直无法去解释。
甚至还有人称，在GPT-4o诞生之后发布的非常扎实的研究，OOS将迎头赶上。
不过，目前Chameleon模型支持生成的模态，主要是图像文本。缺少了GPT-4o中的语音能力。
网友称，然后只需添加另一种模态（音频），扩大训练数据集，“烹饪”一段时间，我们就会得到GPT-4o？
Meta的产品管理总监称，“我非常自豪能够给予这个团队支持。让我们朝着让GPT-4o更接近开源社区的方向迈进一步”。
或许用不了多久，我们就可以得到一个开源版的GPT-4o。
接下来，一起看看Chameleon模型的技术细节。
技术架构
Meta在Chameleon的论文中首先表示：很多新近发布的模型依旧没有将“多模态”贯彻到底。
这些模型虽然采用了端到端的训练方式，但仍然单独对不同模态进行建模，使用分开的编码器或解码器。
如开头所述，这种做法限制了模型跨模态信息的能力，也难以生成包含任意形式信息的、真正的多模态文档。
为了改进这种缺陷，Meta提出了一系列“混合模态”的基座模型Chameleon——能够生成任意文本和图像内容交织在一起的内容。
Chameleon的生成结果，文本和图像交错出现
所谓“混合模态”基座模型，指Chameleon不仅使用了端到端的方式从头开始训练，而且训练时将所有模态的信息交织混合在一起，并使用统一的架构处理。
如何将所有模态的信息混合在同一个模型架构中表示？
答案还是“token”。只要全部表示为token，就可以把所有模态的信息映射到同一个向量空间中，让Transformer无缝处理。
但是，这种做法会带来优化稳定性以及模型扩展性方面的技术挑战。
为了解决这些问题，论文相应地对模型架构进行了创新，并使用了一些训练技巧，包括QK归一化和Zloss等。
同时，论文也提出了将纯文本LLM微调为多模态模型的方法。
1.图像“分词器”
要将所有模态全部表示为token，首先需要一个强大的分词器。
为此，Chameleon的团队在Meta之前一篇论文的基础上开发了一种新的图像分词器，基于大小为8192的codebook，将规格为512×512的图像编码为1024个离散的token。
文字分词器则基于谷歌开发的sentencepiece开源库，训练了一个同时含有65536个文本token与8192个图像token的BPE分词器。
2.预训练
为了彻底激发“混合模态”的潜力，训练数据也是将不同模态打散、混合呈现给模型的，既有纯文本、文本-图像对，也有文本、图像交错出现的多模态文档。
纯文本数据囊括了Llama2和CodeLlama所使用的所有预训练数据，共计2.9万亿个token。
文本-图像对包含了一些公开数据，共计14亿对、1.5万亿个token。
对于文本和图像交错的数据，论文特意强调没有包含来自Meta产品的数据，完全使用公开数据来源，整理出共4000亿个token。
Chameleon的预训练分两个单独的阶段进行，分别占总训练比例的80%和20%。
训练的第一阶段就是让模型以无监督的方式学习以上数据，第二阶段开始时，先将第一阶段得到的权重降低50%，并混合更高质量的数据让模型继续学习。
在模型扩展到超过8B参数和1Ttoken时，训练后期会产生明显的不稳定问题。
由于所有模态共享模型权重，每个模态似乎都有增加norm的倾向，与其他模态“竞争”。
这在训练初期不会产生太大的问题，但随着训练的进行、数据超出bf16的表达范围时，就会有loss发散的现象。
研究人员将其归因于softmax函数所具有的平移不变性，这种现象在单模态模型中也被称为“logit漂移”（logitdrift）。
因此，论文提出了一些架构调整和优化方法来保证稳定性：
QK归一化（query-keynormalization）：将layernorm应用于注意力模块中的query和key向量，从而直接控制softmax层输入的norm增长；
在注意力层和前馈层之后引入dropout；
在损失函数中使用Zloss正则化。
除了数据来源和架构，论文还大方公开了预训练所用的算力规模。
硬件型号为80GB内存的英伟达A100，7B版本并行使用1024个GPU训练了约86万个GPU小时，34B模型所用的GPU数量则扩大了3倍，GPU小时数超过428万。
作为曾经开源Llama2的公司，Meta的研究团队确实大方，相比连技术报告都没有的GPT-4o，这篇有数据有干货的论文可谓“仁至义尽”。
全面超越Llama2
具体的实验评估中，研究人员将其分为人工评估和安全测试，以及基准评估。
1.基准评估
Chameleon-34B使用了比Llama2多四倍的token进行训练后，在各种单模态的基准测试中都取得了惊艳的效果。
在纯文本任务生成中，研究人员将预训练（非SFT）模型的纯文本功能与其他领先的纯文本LLM进行比较。
评估内容包括，常识推理、阅读理解、数学问题和世界知识领域，评估结果如下：
常识推理和阅读理解：可以观察到，与Llama2相比，Chameleon-7B和Chameleon-34B更具竞争力。甚至，34B甚至在5/8的任务上超过了Llama-270B，性能与Mixtral-8x7B相当。
数学和世界知识：尽管进行了其他模态的训练，但两个Chameleon模型都表现出很强的数学能力。
在GSM8k上，Chameleon-7B的表现优于相应参数规模的Llama2模型，性能与Mistral-7B相当。
此外，Chameleon-34B在maj@1（61.4vs56.8）和Mixtral-8x7B在maj@32（77.0vs75.1）上的表现均优于Llama2-70B。
同样，在数学运算中，Chameleon-7B的性能超过Llama2，与Mistral-7B在maj@4上的性能相当，而Chameleon-34B的性能超过Llama2-70B，接近Mixtral-8x7B在maj@4上的性能（24.7vs28.4）。
总体而言，Chameleon的性能全面超过了Llama2，在某些任务上接近Mistral-7B/8x7B。
在文本到图像任务中，研究人员具体评测了视觉问答、图像标注两项具体任务。
Chameleon在视觉问答和图像标注任务中打败Flamingo和Llava-1.5等模型成为SOTA，在纯文本任务中也和第一梯队的Mixtral8x7B、GeminiPro等模型表现相当。
2.人工评估和安全测试
同时，为了进一步评估模型生成多模态内容的质量，论文也在基准测试之外引入了人类评估实验，发现Chameleon-34B的表现远远超过了GeminiPro和GPT-4V。
相对于GPT-4V和GeminiPro，人类评委分别打出了51.6%和60.4的偏好率。
下图展示了，对于一组多样化的、来自人类标注者的prompt，Chameleon与基线模型在理解和生成内容方面的性能对比。
其中的每个问题，都由三个不同的人类标注回答，并将多数票作为最终答案。
为了了解人类标注者的质量，以及问题的设计是否合理，研究人员还检查了不同标注者之间的一致性程度。
表5是对20000个众包提示和445个红队交互进行的安全测试，这会引发模型产生不安全内容。
与Gemini和GPT-4V相比，Chameleon在处理需要交错、混合模态响应的提示时，非常有竞争力。
从示例中可以看到，在完成问答任务时，Chameleon既能理解输入的文本+图像，也能为模型输出内容加上合适的“配图”。
并且，Chameleon生成的图像通常与上下文相关，这样一来，这种交错内容的输出对用户来说，极具吸引力。
贡献团队
论文最后还放上了参与这项研究的贡献者，包括预训练、对齐和安全、推理和评估、所有项目的参与者。
其中，*表示共同一作，?表示关键贡献者，?表示工作流程负责人，?表示项目负责人。
