「多模态LLM」最新介绍！数据、论文集直接打包带走
进展跟踪链接（Awesome-MLLM，实时更新）：https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models近年来，大型语言模型LargeLanguageModels（LLM）的研究取得了显著的进展（例如GPT-3，LLaMa，ChatGPT，GPT-4），这些模型在各项自然语言处理（NLP）任务上展现了出色的性能。通过在海量数据上预训练，LLM获得了丰富的知识以及强大的推理能力。只需要输入一些用户指令，这些模型就可以解析指令、
进展跟踪链接（Awesome-MLLM，实时更新）：https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models
近年来，大型语言模型Large Language Models（LLM）的研究取得了显著的进展（例如GPT-3，LLaMa，ChatGPT，GPT-4），这些模型在各项自然语言处理（NLP）任务上展现了出色的性能。
通过在海量数据上预训练，LLM获得了丰富的知识以及强大的推理能力。只需要输入一些用户指令，这些模型就可以解析指令、进行推理并给出符合用户预期的回答。
LLM具有的一些典型能力包括：
- · 执行训练时未见过的新任务；
- · 通过少量样例完成新任务；
- · 通过推理链条执行复杂的推理任务；
- · 协调各种模型与工具完成复合任务。
这些能力背后蕴含着众多关键思想和技术，包括指令微调（Instruction Tuning），上下文学习（In-Context Learning）和思维链（Chain of Thought）等。
多模态大型语言模型
尽管大语言模型在NLP领域取得了长足的发展，相应的模型与技术在多模态领域则较少探索，且传统视觉-语言模型仍存在着泛化性不足以及缺乏推理能力等局限。
为此，近期众多学者将注意力转向一个新兴的方向：多模态大型语言模型Multimodal Large Language Models（MLLM）。
其主要思想是以LLM作为「大脑」对输入的多模态信息进行整合、推理、分析和决断，从而完成人类交付的任务。
从发展通用人工智能的视角看，相比于LLM，MLLM又向前迈进了一步，且具有以下优点：
· 更符合人类认知世界的习惯。人类具有多种感官，接受多种模态信息，这些信息常常是互补的、协同作用的。因此，使用多模态信息一般可以更好地认知与完成复杂任务；
· 更加强大与用户友好(User-Friendly)的接口。通过支持多模态输入，用户可以通过更加灵活的方式传达信息；
· 更广泛的任务支持。LLM通常只能完成NLP相关任务，而MLLM通过接入多模态可以完成更多任务。
从系统设计的角度来看，MLLM可以分为两类：
· LLM作为推理器的、支持多模态输入的认知推理系统；
· LLM作为规划器/调度器/决策器的多工具协作系统。
前者一般通过可训练的多模态转换接口将多模态信息转化为LLM可以直接接收、处理的形态，使LLM可以基于这些多模态信息以及用户指令进行认知与推理。
后者通常以LLM作为规划器/调度器/决策器[1]，将用户交付的复杂任务分解为更简单的子任务，并派发给合适的模型/工具，最后整合结果并输出。
我们采取另一种视角，聚焦于MLLM背后的关键技术与实现方式，对相关工作进行了调研与总结，将MLLM划分为以下几类：
· 多模态指令微调（Multimodal Instruction Tuning）
· 多模态上下文学习（Multimodal In-Context Learning）
· 多模态思维链（Multimodal Chain-of-Thought）
· LLM辅助的视觉推理（LLM-Aided Visual Reasoning）
下面我们将对这几类工作进行简要介绍。
多模态指令微调（Multimodal Instruction Tuning）
多模态指令微调的基本做法是使用统一的模板将各类数据统一起来，并以指令的形式描述任务需求，形成多模态指令数据，再使用这种数据去微调MLLM。
由于训练与测试时的指令形式具有一致性，LLM可以凭借其强大的语义理解和推理能力，更灵活地泛化到其他任务，获得强大的零样本学习能力。
多模态指令数据的基本形式可以概括为（指令，多模态输入，回答）三元组。
一种直观的获得这种数据的方式是改造基准（Benchmark）数据集，我们以图像描述（Image Captioning）为例，如下图1所示：
图1. 多模态指令数据示例
原本的Caption数据样本包括一张图片和一段文字描述（Ground Truth），这种数据-GT的配对数据自然构成了指令数据的多模态输入和回答部分。
指令部分则为相应任务的描述，一般由人工编写或者调用GPT生成。
在进行多模态指令微调时，MLLM转化多模态输入并送入LLM中，LLM基于多模态信息与指令文本预测答案。
多模态上下文学习（Multimodal In-Context Learning）
多模态上下文学习的核心思想是从类比中学习。比如，我们在学习时一般接触到的形式如下：
通过学习例题，我们在遇到新的问题时，可以通过类比例题学习基本思想与方法，从而解决新的问题。
此外，例题还能规范我们的回答格式，更有利于得到正确的、符合预期要求的答案。
如下图2所示，通过样例让模型预测3x7的计算结果。
图2. 多模态上下文数据示例，通过样例让模型预测3x7的计算结果
多模态思维链（Multimodal Chain-of-Thought）
思维链即一系列中间推理步骤[2]。多模态思维链的基本思想是使模型学会逐步输出中间步骤，最后推理出最终答案，如下图3所示：
图3. 多模态思维链数据示例
相比于直接输出答案的方式，思维链：
· 更符合人类推理习惯：基于之前的推理步骤与结果，逐步导向最终答案；
· 适用于复杂的推理任务，将复杂问题分步求解，提高回答的准确性。
LLM辅助的视觉推理（LLM-Aided Visual Reasoning）
利用LLM作为决策与推理机构，调用各种多模态模型和工具并整合输出，得到最后的答案。根据完成任务的方式一般可分为单轮模型与多轮模型。
单轮模型的基本思想是由LLM作为规划器、调度器和决策器协调各个模型/工具完成任务，一般需要完成以下职能[1]:
· 规划器：将复杂任务分解为可解的子任务；
· 调度器：将子任务派发给合适的模型/工具；
· 决策器：管理子任务执行顺序，整合子任务结果得到最终答案。
多轮模型基于迭代的思想，不断积累视觉认知，直到足够自信得到最终答案。在这个过程中，LLM需要整合之前的步骤 (提出的问题与已获得的视觉认知信息)，判断是否可以输出最终答案[3]。
相关论文详见：https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models
WPS Office是一款面向macOS用户的综合办公套件，将文字处理、电子表格、演示文稿、PDF工具、模板与云协作整合在同一应用中。它兼容常见Microsoft Office格式，支持Intel及Apple芯片Mac，基础功能可免费使用，
Shapr3D是一款面向工业设计、机械工程、建筑概念和三维打印工作流的CAD软件。Mac版采用Parasolid建模内核，支持草图约束、实体建模、工程图、可视化渲染及常见CAD格式交换，并可通过账户在多台设备之间同步项目。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Ableton Live 是面向音乐制作人与现场表演者的数字音频工作站，提供编曲视图、独具特色的现场视图、音频录制、MIDI创作、实时变速、乐器及效果器。Mac版原生支持Apple芯片，并可连接音频接口、MIDI控制器和第三方插件。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Affinity Photo 是一款面向摄影师、修图师和视觉设计人员的桌面图像编辑工具，提供 RAW 显影、多图层合成、蒙版、实时滤镜、批处理和色彩管理等功能。原独立产品已停止销售，其照片编辑能力已延续至免费的新 Affinity 应用；
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Figma 是面向产品设计与开发团队的云端协作平台，可在 Windows 桌面客户端中完成界面绘制、组件管理、交互原型、评论评审和开发交付。文件保存在云端，多名成员能够同步编辑并共享设计系统；官方同时提供免费 Starter 方案及按席位计
Affinity Designer 是面向矢量图形、数字插画和界面设计的专业创作工具，可在矢量、像素与导出工作区之间快速切换。它提供曲线编辑、形状构建、画板、排版、图层和专业色彩管理，并支持常见设计文件的导入及多种印刷、网页格式输出。
Capture One Pro 是面向摄影师和影像团队的专业桌面照片处理工具，提供相机定制色彩配置、RAW转换、图层与蒙版、联机拍摄、目录及会话管理等功能。它适合棚拍、人像、商业产品、婚礼和风光摄影，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
DaVinci Resolve是Blackmagic Design推出的一体化影视后期工具，将素材管理、非线性剪辑、专业调色、Fusion视觉特效、Fairlight音频处理和成片交付整合在统一工程中。免费版已覆盖多数个人创作需求，