今天小編分享的科學經驗：Ilya觀點得證！僅靠預測下一個token統一影像文本視頻，智源發布原生多模态世界模型Emu3，歡迎閱讀。
OpenAI 前首席科學家、聯合創始人Ilya Sutskever曾在多個場合表達觀點：
只要能夠非常好的預測下一個 token，就能幫助人類達到通用人工智能（AGI）。
雖然，下一 token 預測已在大語言模型領網域實現了 ChatGPT 等突破，但是在多模态模型中的适用性仍不明确。多模态任務仍然由擴散模型（如 Stable Diffusion）和組合方法（如結合 CLIP 視覺編碼器和 LLM）所主導。
2024 年 10 月 21 日，智源研究院正式發布原生多模态世界模型 Emu3。該模型只基于下一個 token 預測，無需擴散模型或組合方法，即可完成文本、影像、視頻三種模态數據的理解和生成。
Emu3 在影像生成、視頻生成、視覺語言理解等任務中超過了 SDXL 、LLaVA、OpenSora 等知名開源模型，但是無需擴散模型、CLIP 視覺編碼器、預訓練的 LLM等技術，只需要預測下一個 token。
圖注：在影像生成任務中，基于人類偏好評測，Emu3 優于 SD-1.5 與 SDXL 模型。在視覺語言理解任務中，對于 12 項基準測試的平均得分，Emu3 優于 LlaVA-1.6。在視頻生成任務中，對于 VBench 基準測試得分，Emu3 優于 OpenSora 1.2。
Emu3 提供了一個強大的視覺 tokenizer，能夠将視頻和影像轉換為離散 token。這些視覺離散 token 可以與文本 tokenizer 輸出的離散 token 一起送入模型中。與此同時，該模型輸出的離散 token 可以被轉換為文本、影像和視頻，為Any-to-Any的任務提供了更加統一的研究範式。而在此前，社區缺少這樣的技術和模型。
此外，受益于 Emu3 下一個 token 預測框架的靈活性，直接偏好優化（DPO）可無縫應用于自回歸視覺生成，使模型與人類偏好保持一致。
Emu3 研究結果證明，下一個 token 預測可以作為多模态模型的一個強大範式，實現超越語言本身的大規模多模态學習，并在多模态任務中實現先進的性能。通過将復雜的多模态設計收斂到 token 本身，能在大規模訓練和推理中釋放巨大的潛力。下一個 token 預測為構建多模态 AGI 提供了一條前景廣闊的道路。
目前 Emu3 已開源了關鍵技術和模型。（開源模型和代碼地址在文末）
Emu3 一經上線便在社交媒體和技術社區引起了熱議。
有網友指出，" 這是幾個月以來最重要的研究，我們現在非常接近擁有一個處理所有數據模态的單一架構。"
"Emu3 是一種非常新穎的方法（至少在我看來是這樣），它有機會将多模态合并為一，只需将它們都視為 token 即可。雖然還處于初期，但演示效果很不錯。想象一下，我們可以無限擴展視頻和生成多種模态。"
甚至有網友評價：" 也許我們會得到一個真正開放的 OpenAI v2？"
對于 Emu3 的意義和影響，有評論指出："Emu3 将徹底改變多模态 AI 領網域，提供無與倫比的性能和靈活性。"
"Emu3 在各行各業的廣泛适用性和開源靈活性将為開發者和企業解鎖人工智能創新能力的機會。"
" 對于研究人員來說，Emu3 意味着出現了一個新的機會，可以通過統一的架構探索多模态，無需将復雜的擴散模型與大語言模型相結合。這種方法類似于 transformer 在視覺相關任務中的變革性影響。"
"Emu3 的統一方法将帶來更高效、更多功能的 AI 系統，簡化多模态 AI 的開發和應用以及内容生成、分析和理解的新可能性。"
"Emu3 改寫了多模态人工智能的規則… Emu3 重新定義了多模态 AI，展示了簡單可以戰勝復雜。多模态 AI 的未來變得更加精煉與強大。"
效果展示 1. 視覺理解
Emu3 展現了強大的影像及視頻的感知能力，能夠理解物理世界并提供連貫的文本回復。值得注意的是，這種能力是在不依賴于基礎 LLM 模型和 CLIP 的情況下實現的。
1.1 影像輸入
用戶問題 : Describe the landmark. 模型回答 : The image showcases the Brooklyn Bridge, a prominent suspension bridge in New York City, recognized by its distinctive towers and the web of cables that support it. This iconic structure connects the boroughs of Brooklyn and Manhattan.
用戶問題 : Please describe the image in detail.
模型回答 : The image is the cover of a magazine titled "Parktakes," which is the Fall 2017 issue. The cover features two individuals in a white kayak, paddling on a body of water. The kayak is positioned diagonally, with the two individuals seated towards the front. Both individuals are wearing life jackets, which are red with black straps, and they are holding paddles with orange blades. The person on the left is a woman with long dark hair, wearing sunglasses and a black top. The person on the right is a man with short hair, wearing a green shirt and a light-colored cap. They both appear to be smiling and enjoying their time on the water.
The background shows a natural setting with trees and greenery, indicating that they are likely in a park or natural reserve. The water is calm, and the sky is not visible, suggesting a serene and peaceful environment.
The magazine cover includes several text elements:
1. Title: "Parktakes" is prominently displayed at the top in large, bold, blue letters.
2. Fall 2017 Issue: The issue is marked in the top right corner in a smaller, white font.
3. Main Feature: "Enjoy Fall Adventures in Parks" is written in a large, bold, orange font, emphasizing the theme of outdoor activities.
4. Additional Features: The cover lists several topics covered in the magazine:
- "Birding, Boating, and Hiking"
- "Seasonal Festivals"
- "New Attractions"
5. Registration Information: At the bottom, there is a call to action to "Registration begins Aug. 1 for full classes" and a website link: "www.fairfaxcounty.gov/parks."
Analysis and Description
The cover of "Parktakes" effectively conveys the theme of outdoor recreational activities, particularly in parks. The image of the two individuals in a kayak suggests that the magazine features content related to kayaking, canoeing, and other water sports. The inclusion of life jackets indicates a focus on safety and preparedness for water activities. The mention of seasonal festivals and new attractions implies that the magazine includes information on various events and attractions within the parks.
The cover also highlights the magazine ’ s commitment to providing a comprehensive guide to outdoor activities, with a clear emphasis on safety and accessibility. The registration information suggests that the magazine is a resource for planning and participating in various outdoor activities, likely targeting a wide audience interested in parks and recreational activities.
In summary, the magazine cover is designed to attract readers interested in outdoor adventures, safety, and seasonal events within parks. The use of a kayak and life jackets emphasizes the magazine ’ s focus on water sports and safety, while the inclusion of various features and registration information suggests a well-rounded resource for park visitors.
1.2 視頻輸入
用戶問題 : What is the man doing in the video? 模型回答 : The man in the video appears to be performing a fire dance, a form of entertainment where a person uses fire to create dynamic and visually appealing movements. The sparklers he holds produce a mesmerizing display of light and shadows, capturing the intensity of his performance.
2. 影像生成
Emu3 通過預測下一個視覺 token 來生成高質量的影像。該模型自然支持靈活的分辨率和不同風格。
3. 視頻生成
與使用視頻擴散模型以從噪聲生成視頻的 Sora 不同，Emu3 只是通過預測序列中的下一個 token 來因果性的生成視頻。
4. 視頻預測
在視頻的上下文中，Emu3 可以自然地擴展視頻并預測接下來會發生什麼。模型可以模拟物理世界中環境、人和動物。
Emu3 技術細節 1 數據
Emu3 是在語言、影像和視頻混合數據模态上從頭開始訓練的。
語言數據：使用與 Aquila 模型相同的語言數據，一個由中英文數據組成的高質量語料庫。
影像數據：構建了一個大型影像文本數據集，其中包括開源網絡數據、AI 生成的數據和高質量的内部數據。整個數據集經過了分辨率、圖片質量、類型等方面的過濾過程。訓練了一個基于 Emu2 的影像描述模型來對過濾後的數據進行标注以構建密集的影像描述，并利用 vLLM 庫來加速标注過程。
視頻數據：收集的視頻涵蓋風景、動物、植物和遊戲等多個類别。
整個視頻處理流程包括了場景切分、文本過濾、光流過濾、質量評分等階段。并使用基于影像描述模型微調得到的視頻描述模型來對以上過濾後的視頻片段打标文本描述。
2 統一視覺 Tokenizer
在 SBER-MoVQGAN 的基礎上訓練視覺 tokenizer，它可以将 4 × 512 × 512 的視頻片段或 512 × 512 的影像編碼成 4096 個離散 token。它的詞表大小為 32,768。Emu3 的 tokenizer 在時間維度上實現了 4 × 壓縮，在空間維度上實現了 8 × 8 壓縮，适用于任何時間和空間分辨率。
此外，基于 MoVQGAN 架構，在編碼器和解碼器模塊中加入了兩個具有三維卷積核的時間殘差層，以增強視頻 token 化能力。
3 架構
Emu3 保留了主流大語言模型（即 Llama-2）的網絡架構。不同點在于，其擴展了 Llama-2 架構中的嵌入層，以容納離散的視覺 token。網絡中使用 RMSNorm 進行歸一化。其還使用了 GQA 注意力機制、SwiGLU 激活函數和一維旋轉位置編碼（RoPE）等技術，并并去除了注意力模塊中 QKV 層和線性投影層中的偏置。此外，還采用了 0.1 的 dropout 率來提高訓練的穩定性，使用 QwenTokenizer 對多語言文本進行編碼。詳細架構配置表。
4 預訓練
在預訓練過程中，首先要定義多模态數據格式。與依賴外部文本編碼器的擴散模型不同，Emu3 原生集成了用于生成影像 / 視頻的文本條件信息。在視覺和語言的固有 token 中新增了五個特殊 token 來合并文本和視覺數據，以為訓練過程創建類似文檔的輸入。生成的訓練數據結構如下：
[ BOS ] {caption text} [ SOV ] {meta text} [ SOT ] {vision tokens} [ EOV ] [ EOS ]
其中， [ BOS ] 和 [ EOS ] 是 QwenTokenizer 中的原始特殊 token 。
額外新增的特殊 token 包括：
[ SOV ] 表示視覺輸入（包含影像和視頻的 meta 信息部分）的開始
[ SOT ] 表示視覺 token 的開始
[ EOV ] 表示視覺輸入的結束。
此外，特殊 token [ EOL ] 和 [ EOF ] 作為換行符和換幀符插入到了視覺 token 中。元文本包含影像的分辨率信息，視頻則包括分辨率、幀率和持續時間，均以純文本格式呈現。在構建理解數據時，Emu3 将部分數據中的 "caption text" 資料欄移至 [ EOV ] token 之後。
訓練目标：由于 Emu3 中的視覺信号已完全轉換為離散 token，因此只需使用标準的交叉熵損失進行下一個 token 預測任務的訓練。為了防止視覺 token 在學習過程中占據主導地位，對與視覺 token 相關的損失加權 0.5。
訓練細節：Emu3 模型在預訓練期間利用非常長的上下文長度來處理視頻數據。 為便于訓練，采用了張量并行（TP）、上下文并行（CP）和數據并行（DP）相結合的方法。同時将文本和影像數據打包成最大上下文長度，以充分利用計算資源，同時需要确保在打包過程中不會分割完整的影像。
預訓練過程分為兩個階段，第一階段不使用視頻數據，訓練從零開始，文本和影像數據的上下文長度為 5,120；在第二階段，引入視頻數據，并使用 131,072 的上下文長度。
5 SFT 階段
5.1 視覺生成
質量微調：在預訓練階段之後，對視覺生成任務進行後訓練，以提高生成輸出的質量。使用高質量數據進行質量微調。
直接偏好優化：Emu3 在自回歸多模态生成任務中采用直接偏好優化（Direct Preference Optimization，DPO）技術，利用人類偏好數據來提高模型性能。
5.2 視覺語言理解
預訓練模型經過兩個階段的視覺語言理解後訓練過程：1 ) 影像到文本的訓練以及 2 ) 指令調整。
第一階段：将影像理解數據與純語言數據整合在一起，而與視覺 token 相關的損失則在純文本預測中被忽略。
第二階段：利用 LLaVA 數據集中的約 320 萬個問答對進行指令微調。低于 512 × 512 或高于 1024 × 1024 的圖片将被調整到較低或較高的分辨率，同時保持相應的長寬比，而其他圖片則保持原始分辨率。
開源地址
除了先前經 SFT 的 Chat 模型和生成模型外，智源研究院還在近日開源了 Emu3 生成和理解一體的預訓練模型以及相應的 SFT 訓練代碼，以便後續研究和社區構建與集成。
代碼：https://github.com/baaivision/Emu3
項目頁面：https://emu.baai.ac.cn/
模型：https://huggingface.co/collections/BAAI/emu3-66f4e64f70850ff358a2e60f
未來方向
Emu3 為多模态 AI 指出了一條富有想象力的方向，有機會将 AI 基礎設施收斂到單一技術路線上，為大規模的多模态訓練和推理提供基礎。統一的多模态世界模型未來有廣泛的潛在應用，包括自動駕駛、機器人大腦、智能眼鏡助手、多模态對話和推理等。預測下一個 token 有可能通往 AGI。
* 本文系量子位獲授權刊載，觀點僅為作者所有。
— 完 —
量子位 QbitAI
վ ' ᴗ ' ի 追蹤 AI 技術和產品新動态
一鍵三連「分享」、「點贊」和「在看」
科技前沿進展日日相見 ~
>
