横扫13个视觉语言任务！哈工深发布多模态大模型「九天」，性能直升5%
Air Explorer Pro是一款跨平台多网盘管理工具，可实现一站式完成不同网盘间文件的互传、搜索和同步等操作。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
为了应对多模态大语言模型中视觉信息提取不充分的问题，哈尔滨工业大学（深圳）的研究人员提出了双层知识增强的多模态大语言模型-九天（JiuTian-LION）。需要重新写的内容是：论文链接：https://arxiv.org/abs/2311.11860GitHub:https://github.com/rshaojimmy/JiuTian项目主页:https://rshaojimmy.github.io/Projects/JiuTian-LION与现有的工作相比，九天首次分析了图像级理解任务和区域级定位任务
为了应对多模态大语言模型中视觉信息提取不充分的问题，哈尔滨工业大学（深圳）的研究人员提出了双层知识增强的多模态大语言模型-九天（JiuTian-LION）。
需要重新写的内容是：论文链接：https://arxiv.org/abs/2311.11860
GitHub: https://github.com/rshaojimmy/JiuTian
项目主页: https://rshaojimmy.github.io/Projects/JiuTian-LION
与现有的工作相比，九天首次分析了图像级理解任务和区域级定位任务之间的内部冲突，提出了分段指令微调策略和混合适配器来实现两种任务的互相提升。
通过注入细粒度空间感知和高层语义视觉知识，九天实现了在包括图像描述、视觉问题、和视觉定位等17个视觉语言任务上显著的性能提升（ 比如Visual Spatial Reasoning 上高达5% 的性能提升），在其中13个评测任务上达到了国际领先水平，性能对比如图1所示。
图1：对比其他MLLMs，九天在大部分任务上都取得了最优的性能。
九天JiuTian-LION
通过赋予大型语言模型（LLMs）多模态感知能力，一些工作开始生成多模态大语言模型（MLLMs），并在许多视觉语言任务上取得了突破性进展。然而，现有的MLLMs主要采用图文对预训练得到的视觉编码器，如CLIP-ViT
这些视觉编码器的主要任务是学习图像层面的粗粒度图像文本模态对齐，但是它们缺乏全面的视觉感知和信息抽取能力，无法进行细粒度的视觉理解
在很大程度上，这种视觉信息提取不足和理解程度不够的问题会导致MLLMs存在视觉定位偏差、空间推理不足和物体幻觉等多个缺陷，如图2所示
请参考图2：九天（JiuTian-LION）是一种采用双层视觉知识增强的多模态大语言模型
九天相较于现有的多模态大语言模型（MLLMs），通过注入细粒度空间感知视觉知识和高层语义视觉证据，有效地提升了MLLMs的视觉理解能力，生成更准确的文本回应，减少了MLLMs的幻觉现象
双层视觉知识增强的多模态大语言模型-九天（JiuTian-LION）
为了解决MLLMs在视觉信息提取和理解方面存在的不足，研究人员提出了一种双层视觉知识增强的MLLMs方法，被称为九天（JiuTian-LION）。具体的方法框架如图3所示
该方法主要从两方面增强MLLMs，渐进式融合细粒度空间感知视觉知识（Progressive Incorporation of Fine-grained Spatial-aware Visual knowledge）和软提示下的高层语义视觉证据（Soft Prompting of High-level Semantic Visual Evidence）。
具体来说，研究人员提出了一种分段指令微调策略，以解决图像级理解任务和区域级定位任务之间的内部冲突。他们逐步将细粒度的空间感知知识注入到MLLMs中。同时，他们将图像标签作为高层语义视觉证据加入MLLMs，并使用软提示方法来减轻不正确标签可能带来的负面影响
九天（JiuTian-LION）模型框架图如下所示：
该工作通过分段式训练策略先分别基于Q-Former 和 Vision Aggregator – MLP 两个分支学习图像级理解和区域级定位任务，然后在最后训练阶段利用具有路由机制的混合适配器来动态融合不同分支的知识提升模型在两种任务的表现。
该工作还通过RAM提取图像标签作为高层语义视觉证据，然后提出软提示方法来提高高层语义注入的效果
渐进式融合细粒度空间感知视觉知识
当直接将图像级理解任务（包括图像描述和视觉问答）与区域级定位任务（包括指示表达理解，指示表达生成等）进行单阶段混合训练时，MLLMs 会遭遇两种任务之间存在的内部冲突，从而不能在所有任务上取得较好的综合性能。
研究人员认为这种内部冲突主要由两个问题引起。第一个问题是缺少区域级的模态对齐预训练，当前具有区域级定位能力的 MLLMs 大多先使用大量相关数据进行预训练，不然很难在有限地训练资源下让基于图像级模态对齐的视觉特征适应区域级任务。
另一个问题是图像级理解任务和区域级定位任务之间的输入输出模式差异，后者需要模型额外理解关于物体坐标的特定短句（以
的形式）。为了解决以上问题，研究人员提出了分段式指令微调策略，以及具有路由机制的混合适配器。
如图4所示，研究人员将单阶段指令微调过程拆分为三阶段：
使用ViT、Q-Former和图像级适配器学习全局视觉知识的图像级理解任务；使用Vision Aggregator、MLP和区域级适配器学习细粒度空间感知视觉知识的区域级定位任务；提出了具有路由机制的混合适配器，动态融合不同分支中学习到的不同粒度的视觉知识。表3显示了分段式指令微调策略相对于单阶段训练的性能优势
图4：分段式指令微调策略
对于注入软提示下的高层语义视觉证据，需要进行重写处理
研究人员提出使用图像标签作为高层语义视觉证据的有效补充，以进一步增强MLLMs的全局视觉感知理解能力
具体来说，首先通过 RAM 提取图像的标签，然后利用特定的指令模版“According to
配合模版中特定短语“use or partially use”，软提示向量可以指导模型减轻不正确标签带来的潜在负面影响。
实验结果
研究人员在包括图像描述（image captioning）、视觉问答（VQA）、和指示表达理解（REC）等17个任务基准集上进行了评测。
实验结果表明，九天在13个评测集上达到了国际领先水平。特别的，相比较 InstructBLIP 和 Shikra，九天分别在图像级理解任务和区域级定位任务上取得了全面且一致的性能提升，在 Visual Spatial Reasoning (VSR) 任务上可达到最高5%的提升幅度。
从图5可以看出，在不同的视觉语言多模态任务中，九天和其他MLLMs的能力存在差异，表明九天在细粒度视觉理解和视觉空间推理能力方面表现更优秀，并且能够输出具有更少幻觉的文本回应
重写的内容是：第五张图展示了对九天大模型、InstructBLIP和Shikra的能力差异进行的定性分析
图6通过样本分析，表明了九天模型在图像级和区域级视觉语言任务上都具有优秀的理解和识别能力。
第六张图：通过更多例子的分析，从图像和区域级视觉理解的角度展示了九天大模型的能力
总结
（1）该工作提出了一个新的多模态大语言模型-九天：通过双层视觉知识增强的多模态大语言模型。
（2）该工作在包括图像描述、视觉问答和指示表达理解等17个视觉语言任务基准集上进行评测，其中13个评测集达到了当前最好的性能。
（3）这项工作提出了一种分段式指令微调策略，以解决图像级理解和区域级定位任务之间的内部冲突，并实现了两种任务之间的相互提升
（4）该工作成功将图像级理解和区域级定位任务进行整合，多层次全面理解视觉场景，未来可以将这种全面的视觉理解能力应用到具身智能场景，帮助机器人更好、更全面地识别和理解当前环境，做出有效决策。
Adobe Acrobat Pro 是面向办公、法务、财务、教育及出版用户的专业PDF处理软件，可在Mac上创建、编辑、转换、合并和保护文档，并提供OCR文字识别、表单、批注、内容比较、敏感信息遮盖及电子签名功能。
Blender 是一款免费开源、跨平台的专业 3D 创作软件，集建模、动画、渲染、视频编辑与视觉合成等功能于一体，广泛应用于影视动画、游戏设计和建筑可视化等领域。软件支持 Cycles 物理渲染器与 Eevee 实时渲染引擎，并提供多边形建模、骨骼绑定、物理模拟等专业工具。Blender 兼容 Windows、macOS 和 Linux 系统，安装包轻巧、运行流畅，依托活跃的全球开发者社区持续更新，是从初学者到专业创作者都值得选择的正版 3D 创作工具。
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。
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。
Affinity Designer 的矢量设计能力现已整合进 Affinity by Canva，可在 Mac 上进行标志、图标、插画、界面原型及印刷品设计。个人用户使用免费 Canva 账户即可使用完整的矢量、像素和版面工具。
Archicad是Graphisoft推出的建筑信息模型设计软件，可在Mac上完成概念设计、参数化建模、图纸编制、工程量统计、渲染展示及团队协同。模型与平立剖面、明细表和布局保持关联，适合建筑师、室内设计师、BIM团队及相关专业学生使用。
AutoCAD LT是Autodesk推出的专业二维CAD设计与文档编制软件，Mac版本提供原生界面、多点触控及分屏查看体验。用户可精确创建和编辑DWG图形，完成图层管理、尺寸标注、表格、PDF参考、外部参照及打印输出。
AutoCAD for Mac 是 Autodesk 面向 macOS 提供的专业计算机辅助设计软件，支持精确的二维绘图、标注、布局输出以及实体、曲面和网格建模。软件采用适配 Mac 操作习惯的界面，可处理 DWG 图纸。
Autodesk Fusion 是面向产品设计与制造的一体化云连接平台，在 Mac 上提供参数化建模、自由曲面、装配、工程图、仿真、PCB 设计和 CAM 加工等工具。它适合机械工程师、工业设计师、创客及制造团队使用。
Autodesk Maya是一套面向影视动画、游戏开发和视觉特效制作的专业三维创作软件，集多边形与曲面建模、角色绑定、关键帧动画、动力学模拟、程序化特效及Arnold渲染于一体，并提供脚本、插件和开放式制作管线支持。
Blender是一款免费开源的综合三维创作软件，可在Mac上完成建模、数字雕刻、材质制作、角色绑定、动画、物理模拟、渲染、合成及视频剪辑。软件提供Cycles与Eevee渲染工具，并支持几何节点、蜡笔绘制和Python扩展。
AutoCAD 是 Autodesk 推出的专业计算机辅助设计软件，Windows 版支持精确二维绘图、三维实体与曲面建模、图纸标注、布局发布和任务自动化，并包含多套行业专业化工具组合，适用于建筑、机械、电气、工程建设及制造设计人员。
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，
Blender 是一款免费开源、跨平台的专业 3D 创作软件，集建模、动画、渲染、视频编辑与视觉合成等功能于一体，广泛应用于影视动画、游戏设计和建筑可视化等领域。软件支持 Cycles 物理渲染器与 Eevee 实时渲染引擎，并提供多边形建模、骨骼绑定、物理模拟等专业工具。Blender 兼容 Windows、macOS 和 Linux 系统，安装包轻巧、运行流畅，依托活跃的全球开发者社区持续更新，是从初学者到专业创作者都值得选择的正版 3D 创作工具。
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。
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。
Cinema 4D是Maxon推出的专业三维创作软件，将建模、动画、MoGraph动态图形、粒子与动力学模拟、材质灯光及Redshift渲染整合在统一工作环境中，适用于广告包装、影视特效、产品和建筑可视化、游戏素材等制作场景。
Blender 是免费开源的三维创作套件，在 Windows 上提供建模、雕刻、材质、动画、物理模拟、合成、跟踪、视频剪辑及 Cycles、EEVEE 渲染工具。它适合个人创作者、学生和小型工作室，
Autodesk Maya 是面向影视、电视、动画和游戏行业的专业三维制作软件，集多边形与 NURBS 建模、角色绑定、关键帧和动作捕捉动画、Bifrost 特效模拟、材质开发及 Arnold 渲染于一体，
SketchUp Pro 是面向建筑、室内、景观、施工和产品设计等专业场景的三维建模工具，提供桌面建模、LayOut 二维文档、模型资源库、扩展程序及云端协作能力。其操作逻辑直观，适合从概念推敲、空间规划到图纸表达和方案汇报的完整工作流程。