MiniCPM-V: A GPT-4V Level MLLM on Your Phone

研究背景和动机

现有的MLLM通常需要大量的参数和计算资源，限制了其在实际应用中的范围。大部分MLLM需要部署在高性能云服务器上，这种高成本和高能耗的特点，阻碍了其在移动设备、离线和隐私保护场景中的应用。

文章主要贡献：

提出了MiniCPM-V系列模型，能在移动端设备上部署的MLLM。

性能优越：在OpenCompass的11个热门基准测试上，表现优于GPT-4V-1106、Gemini Pro和Claude 3。
强大的OCR能力：支持1.8M像素高分辨率图像感知，可处理多种纵横比。
值得信赖的行为：具有较低的幻觉率（hallucination rate）。
多语言支持：支持超过30种语言。
高效的端侧部署：通过一系列端侧优化技术，实现了在移动设备上的高效部署。

Introduction

引入了Moore’s Law of MLLMs

在这里插入图片描述

模型架构

在这里插入图片描述

模型架构设计

视觉编码器（Visual Encoder）：采用SigLIP SoViT-400m/14模型来处理图像输入。
压缩层（Compression Layer）：使用感知器重采样结构（Perceiver Resampler）进行视觉特征的压缩，采用一层交叉注意力来实现。
大语言模型（LLM）：压缩后的视觉特征和文本输入共同被送入LLM进行条件文本生成。MiniCPM-V 2.5版本使用了Llama3-Instruct 8B作为基础模型。

自适应视觉编码（Adaptive Visual Encoding）——参考LLaVA-UHD，为了有效的OCR同时高效

图像划分（Image Partition）：为了适配不同纵横比的高分辨率图像，首先将图像划分成多个子块，每个子块与 ViT 的预训练设置相匹配。划分过程包括计算理想的子块数量，选择最佳的行数和列数组合以最大化评分函数值，确保划分后的子块与ViT的预训练设置一致。

切割数量： $\left\lfloor \frac{W_I \times H_I}{W_v \times H_v} \right\rfloor$

$\times n = N$
评估切割效果：

$\left| \log \frac{W_I / m}{H_I / n} - \log \frac{W_v}{H_v} \right|$
选择：

$m^*, n^* = \arg \max_{(m, n) \in \overline{C}} S(m, n)$
对应：

切片编码（Slice Encoding）：每个子块在输入ViT之前需要调整大小，使其与ViT的预训练区域大小匹配。随后，对ViT的位置嵌入进行插值，以适应每个子块的纵横比。为了表示每个切片相对于整个图像的位置，还引入了一个Spatial Schema，即用两个特殊的标记包装每个切片的标记<slice>和<\slice>，然后使用一个“\n”将片从不同的行中分离出来。

令牌压缩（Token Compression）：视觉编码之后，每个子块被编码为1024个令牌。为了管理高数量的令牌，作者使用了一个包含一层交叉注意力的压缩模块，将视觉令牌压缩为更少的查询数量（如，64或96个queries）。为提升效率efficiency。

Training

主要包括三个阶段：预训练阶段（Pre-training Phase）、监督微调阶段（Supervised Fine-tuning Phase, SFT）和基于AI反馈的强化学习阶段（RLAIF-V Phase）。

1. Pre-training——又分为三部分

预训练阶段的主要目标是将视觉模块（视觉编码器和压缩层）与大语言模型（LLM）的输入空间进行对齐，并学习基础的多模态知识。这个阶段分为三个子阶段：

阶段1：压缩层的预热训练

目标：主要训练视觉编码器和LLM之间的压缩层，使其能够有效地连接视觉输入和语言输出。
可训练模块：在这个阶段，压缩层被随机初始化并进行训练，而其他模块的参数保持冻结状态。视觉编码器的分辨率设置为224×224，这与其预训练时的设置相同。
数据：从图像描述数据（Image Captioning）集中随机选择200M数据用于训练。为了保证数据质量，对数据进行清洗，去除不相关或格式错误的图像-文本对。

在这里插入图片描述

阶段2：扩展视觉编码器的输入分辨率

目标：扩展预训练视觉编码器的输入分辨率，以适应更高分辨率的图像输入。
可训练模块：在此阶段，图像分辨率从224×224扩展到448×448，整个视觉编码器被训练，而其他模块的参数保持冻结。
数据：为了适应扩展后的分辨率，额外从图像描述数据集中选择200M数据。

阶段3：自适应视觉编码训练

目标：进一步训练视觉模块，使其能够处理任意纵横比的高分辨率输入，并提高其OCR能力。
可训练模块：在阶段3训练中，压缩层和视觉编码器都进行训练，以适应语言模型的嵌入空间。为了避免低质量预训练数据对语言模型的干扰，LLM保持冻结状态。
数据：除了之前使用的图像描述数据外，在高分辨率预训练阶段还引入了OCR数据，以增强视觉编码器的OCR能力。

训练过程遇到三个问题及解决方案：

Caption Rewriting：低质量数据导致训练不稳定，因此引入辅助模型重写这些低质数据。（The rewriting model takes the raw caption as input and is asked to convert it into a question-answer pair. The answer from this process is adopted as the updated caption. In practice, we leverage GPT-4 [14] to annotate a small number of seed samples, which are then used to fine-tune an LLM for the rewriting task.
Data Packing：different data sources usually have different lengths，可能造成out-of-memory (OOM) errors。解决：打包多个样本为一个固定长度序列，并截断最后一个样本。（Meanwhile,
we modify the position ids and attention masks to avoid interference between different samples. In our experiments, the data packing strategy can bring 2~3 times acceleration in the pre-training phase.）
Multilingual Generalization：解决多语言能力：Fortunately, recent findings from
VisCPM [41] have shown that the multimodal capabilities can be efficiently generalized across
languages via a strong multilingual LLM pivot. In practice, we only pre-train our model on English and Chinese multimodal data, and then perform a lightweight but high-quality multilingual supervised fine-tuning to align to the target languages.

2. 监督微调阶段（Supervised Fine-tuning Phase, SFT）

在预训练阶段学习了基础能力后，接下来进行监督微调，以进一步通过人类标注的数据集学习知识和交互能力。

可训练模块：与预训练阶段主要使用抓取自网络的数据不同，SFT阶段主要利用由人类标注的高质量数据集。因此，在SFT阶段，所有模型参数都被解锁，以更好地利用数据并学习丰富的知识。
数据：根据近期研究，训练后期更容易塑造模型能力和响应风格。所以SFT数据分为两部分：
- 第一部分（Part-1）：专注于增强模型的基础识别能力，包含传统的QA/描述数据集，这些数据集的响应长度相对较短。
- 第二部分（Part-2）：旨在增强模型在生成详细响应和遵循人类指令方面的能力，包含长响应和复杂交互的数据集。SFT过程中，这两部分数据串联后依次输入模型进行训练。

3. 基于AI反馈的强化学习阶段（RLAIF-V Phase）

多模态大语言模型（MLLMs）通常容易出现幻觉问题，即生成的响应与输入图像不符。为了解决这个问题，作者采用了最近提出的RLAIF-V方法，其关键在于通过开源模型获得高质量的反馈进行直接偏好优化（DPO）。

RLAIF-V方法流程：

响应生成（Response Generation）：首先使用策略模型生成多个给定指令的响应。具体来说，给定一个等待对齐的模型，作者从模型中采样生成10个响应。这种生成方法有助于更专注于可信度，因为可以避免来自不同MLLM的文本风格差异，同时反馈学习更高效，因为偏好直接在策略模型的分布上收集。
反馈收集（Feedback Collection）：由于开放源代码MLLM的能力通常较弱，直接收集高质量反馈是具有挑战性的。为解决这一问题，RLAIF-V采用了分而治之的策略对响应进行评分。每个响应被分解为原子陈述，然后将每个陈述转换为是/否问题，使用开放源代码的MLLM对其评分。最终的响应评分由无效原子陈述的数量决定。
直接偏好优化（Direct Preference Optimization, DPO）：在收集到高质量的AI反馈后，进行偏好学习。DPO算法要求在偏好对上进行训练，其中一个样本优于另一个样本。最终构建了一个偏好数据集，用于偏好学习。

End-side Deployment

**End-side Deployment（端侧部署）**部分重点讨论了MiniCPM-V模型在移动设备等端侧设备上的高效部署方法和优化策略。

1. 挑战

内存限制
CPU/GPU速度限制

2. 基础部署实践

为了降低模型在端侧设备上的内存消耗和计算成本，作者采用了以下基础优化方法：

量化（Quantization）：采用4位量化策略（Q4_K_M模式）来压缩模型的参数，从而将内存需求从16-17GB减少到约5GB，使得模型更适合在移动设备上运行。
部署框架（Deployment Framework）：作者使用llama.cpp框架结合量化策略，在Xiaomi 14 Pro（Snapdragon 8 Gen 3）上进行部署，并测量了编码延迟和解码速度。虽然基础优化方法已经降低了一些计算开销，但效果仍有改进空间。

3. 高级部署优化

为进一步提高用户体验，作者采用了一系列高级优化技术：

内存使用优化（Memory Usage Optimization）：通过顺序加载视觉编码器和大语言模型来减少内存占用，避免频繁的分页（paging），从而提高效率。
编译优化（Compilation Optimization）：在目标设备上直接编译模型，以充分利用设备的指令集架构，提高编码延迟和解码吞吐量。
配置优化（Configuration Optimization）：设计自动参数搜索算法，动态调整计算资源分配，提高推理速度。
NPU加速（NPU Acceleration）：利用智能手机上的NPU（神经处理单元）来加速视觉编码部分（如使用QNN框架），显著减少视觉编码时间。

4. 结果与讨论

通过这些优化技术，MiniCPM-Llama3-V 2.5模型能够在多种端侧设备上实现高效运行，如Xiaomi 14 Pro（Snapdragon 8 Gen 3）、vivo X100 Pro（Mediatek Dimensity 9300）和MacBook Pro（M1），并表现出接近甚至超过人类阅读速度的解码吞吐量。
当前的计算瓶颈主要来自于LLM的预填充（prefilling）阶段。未来的研究方向包括开发更高效的视觉编码方法以及更好地利用GPU/NPU加速来进行LLM编码。

MiniCPM-V: A GPT-4V Level MLLM on Your Phone