多模态大模型:新一代人工智能技术范式

1 大模型全家桶 1 1.1 多模态大模型基本概念 3 1.1.1 多模态 4 1.1.2 大模型和基础模型 4 1.1.3 多模态大模型 5 1.2 BERT技术详解 6 1.2.1 模型结构 6 1.2.2 预训练任务 10 1.2.3 下游应用场景 13 1.3 ViT技术详解 14 1.3.1 模型结构 15 1.3.2 预训练任务 17 1.4 GPT系列 19 1.4.1 GPT-1结构详解 20 1.4.2 GPT-2结构详解 23 1.4.3 GPT-3结构详解 24 1.5 ChatGPT简介 28 1.5.1 InstructGPT 28 1.5.2 ChatGPT 32 1.5.3 多模态GPT-4V 37 1.6 中英双语对话机器人ChatGLM 40 1.6.1 ChatGLM-6B模型 41 1.6.2 千亿基座模型GLM-130B的结构 43 1.7 百川大模型 46 1.7.1 预训练 47 1.7.2 对齐 51 1.8 本章小结 53 2 多模态大模型核心技术 54 2.1 预训练基础模型 55 2.1.1 基本结构 56 2.1.2 学习机制 57 2.2 预训练任务概述 59 2.2.1 自然语言处理领域的预训练任务 59 2.2.2 计算机视觉领域的预训练任务 59 2.3 基于自然语言处理的预训练关键技术 60 2.3.1 单词表征方法 61 2.3.2 模型结构设计方法 63 2.3.3 掩码设计方法 63 2.3.4 提升方法 64 2.3.5 指令对齐方法 65 2.4 基于计算机视觉的预训练关键技术 67 2.4.1 特定代理任务的学习 68 2.4.2 帧序列学习 68 2.4.3 生成式学习 69 2.4.4 重建式学习 70 2.4.5 记忆池式学习 71 2.4.6 共享式学习 72 2.4.7 聚类式学习 74 2.5 提示学习 75 2.5.1 提示的定义 76 2.5.2 提示模板工程 78 2.5.3 提示答案工程 81 2.5.4 多提示学习方法 82 2.6 上下文学习 85 2.6.1 上下文学习的定义 86 2.6.2 模型预热 86 2.6.3 演示设计 88 2.6.4 评分函数 90 2.7 微调 91 2.7.1 适配器微调 92 2.7.2 任务导向微调 95 2.8 思维链 98 2.8.1 思维链的技术细节 99 2.8.2 基于自洽性的思维链 100 2.8.3 思维树 103 2.8.4 思维图 106 2.9 RLHF 110 2.9.1 RLHF技术分解 111 2.9.2 RLHF开源工具集 114 2.9.3 RLHF的未来挑战 115 2.10 RLAIF 115 2.10.1 LLM的偏好标签化 116 2.10.2 关键技术路线 118 2.10.3 评测118 2.11 本章小结119 3 多模态基础模型 120 3.1 CLIP 122 3.1.1 创建足够大的数据集 122 3.1.2 选择有效的预训练方法 123 3.1.3 选择和扩展模型 124 3.1.4 预训练 124 3.2 BLIP 125 3.2.1 模型结构 125 3.2.2 预训练目标函数 126 3.2.3 标注过滤 127 3.3 BLIP-2 128 3.3.1 模型结构 129 3.3.2 使用冻结的图像编码器进行视觉与语言表示学习 129 3.3.3 使用冻结的LLM进行从视觉到语言的生成学习 130 3.3.4 模型预训练 131 3.4 LLaMA 132 3.4.1 预训练数据 132 3.4.2 网络结构 133 3.4.3 优化器 134 3.4.4 高效实现 134 3.5 LLaMA-Adapter 134 3.5.1 LLaMA-Adapter的技术细节 136 3.5.2 LLaMA-Adapter V2 137 3.6 VideoChat 140 3.6.1 VideoChat-Text 142 3.6.2 VideoChat-Embed 143 3.7 SAM 146 3.7.1 SAM任务 149 3.7.2 SAM的视觉模型结构 150 3.7.3 SAM的数据引擎 151 3.7.4 SAM的数据集 152 3.8 PaLM-E 153 3.8.1 模型结构155 3.8.2 不同传感器模态的输入与场景表示 157 3.8.3 训练策略 158 3.9 本章小结 159 4 多模态大模型的应用 160 4.1 视觉问答 160 4.1.1 视觉问答的类型 161 4.1.2 图像问答 162 4.1.3 视频问答 179 4.1.4 未来研究方向 190 4.2 AIGC 191 4.2.1 GAN和扩散模型 192 4.2.2 文本生成 194 4.2.3 图像生成 198 4.2.4 视频生成 203 4.2.5 三维数据生成 204 4.2.6 HCP-Diffusion统一代码框架 204 4.2.7 挑战与展望 209 4.3 具身智能 209 4.3.1 具身智能的概念 210 4.3.2 具身智能模拟器 212 4.3.3 视觉探索 216 4.3.4 视觉导航 219 4.3.5 具身问答 223 4.3.6 具身交互 225 4.3.7 存在的挑战 228 4.4 本章小结 231 5 多模态大模型迈向AGI 232 5.1 研究挑战 233 5.1.1 缺乏评估准则 233 5.1.2 模型设计准则模糊 233 5.1.3 多模态对齐不佳 234 5.1.4 领域专业化不足 234 5.1.5 幻觉问题 236 5.1.6 鲁棒性威胁 236 5.1.7 可信性问题 238 5.1.8 可解释性和推理能力问题 242 5.2 因果推理 246 5.2.1 因果推理的基本概念 247 5.2.2 因果的类型 251 5.2.3 LLM的因果推理能力 252 5.2.4 LLM和因果发现的关系 254 5.2.5 多模态因果开源框架CausalVLR 255 5.3 世界模型 257 5.3.1 世界模型的概念 258 5.3.2 联合嵌入预测结构 261 5.3.3 Dynalang：利用语言预测未来 264 5.3.4 交互式现实世界模拟器 266 5.3.5 Sora：模拟世界的视频生成模型 267 5.4 超级智能体AGI Agent 271 5.4.1 Agent的定义 272 5.4.2 Agent的核心组件 274 5.4.3 典型的AGI Agent模型 275 5.4.4 AGI Agent的未来展望 284 5.5 基于Agent的具身智能 286 5.5.1 具身决策评测集 287 5.5.2 具身知识与世界模型嵌入 288 5.5.3 具身机器人任务规划与控制 289 5.6 本章小结 296