对于大型视觉语言模型（LVLM）而言，扩展模型可以有效提高模型性能。然而，扩大 参数 规模会显著增加训练和推理成本，因为计算中每个 token 都会激活所有模型 参数 。

基于此，来自 北京大学 、中山大学等机构的研究者联合提出了一种新颖的 LVLM 训练策略 ——MoE-Tuning。MoE-Tuning 可以构建 参数 数量惊人但计算成本恒定的稀疏模型，并有效解决通常与 多模态学习 和模型稀疏性相关的性能下降问题。该研究还提出了一种基于 MoE 的新型稀疏 LVLM 架构 ——MoE-LLaVA 框架。该框架独特地在部署过程中通过路由算法仅激活 top-k 专家（expert），其余专家保持非活动（inactive）状态。

• 论文地址：https://arxiv.org/abs/2401.15947

• 项目地址：https://github.com/PKU-YuanGroup/MoE-LLaVA

• Demo地址：https://huggingface.co/spaces/LanguageBind/MoE-LLaVA

• 论文题目：MoE-LLaVA: Mixture of Experts for Large Vision-Language Models

MoE-LLaVA 只有 3B 个稀疏激活 参数 ，表现却与 LLaVA-1.5-7B 在各种视觉理解数据集上相当，甚至在物体幻觉 基准 测试中甚至超越了 LLaVA-1.5-13B。通过 MoE-LLaVA，该研究旨在建立稀疏 LVLMs 的 基准 ，并为未来研究开发更高效和有效的 多模态学习 系统提供宝贵的见解。MoE-LLaVA 团队已经开放了所有的数据、代码和模型。

^{图 1 MoE-LLaVA 在幻觉性能上和其他 LVLM 的比较}

方法简介

MoE-LLaVA 采用三阶段的训练策略。

^{图 2 MoE-Tuning 的流程图}

如图 2 所示，视觉编码器（vision encoder）处理输入图片得到视觉 token 序列。利用一个投影层将视觉 token 映射 成 LLM 可接受的维度。类似地，与图片配对的文本经过一个 词嵌入 层（word embedding layer）被投影得到序列文本 token。

阶段 1：如图 2 所示，阶段 1 的目标是让视觉 token 适应到 LLM，赋予 LLM 看懂图片的实体有哪些的能力。MoE-LLaVA 采用一个 MLP 来将图片 token 投影到 LLM 的输入域，这意味着一个个图片小 patch 被 LLM 当作伪文本 token。在这个阶段，LLM 被训练学会描述图片，理解更高层次的图片语义。在这个阶段 MoE 层不会被应用到 LVLM 中。

^{图 3 更具体的训练框架和训练策略}

阶段 2：用多模态的指令数据来微调是提高大模型能力和可控性的关键技术，并且在这个阶段 LLM 被调整为有多模态理解能力的 LVLM。在这个阶段该研究加入更复杂的指令，包含图片 逻辑 推理，文字识别等高级任务，要求模型有更强的多模态理解能力。通常来说，稠密模型的 LVLM 到此就训练完成，然而研究团队发现同时将 LLM 转为 LVLM 和把模型稀疏化是具有挑战的。因此，MoE-LLaVA 将使用第二阶段的 权重 作为第三阶段的初始化以降低稀疏模型学习的难度。

阶段 3：MoE-LLaVA 将 FFN 复制多份作为专家集合的初始化 权重 。当视觉 token 和文本 token 被喂入 MoE 层时，router 会计算每一个 token 和专家们的匹配 权重 ，然后每个 token 会被送入最匹配的 top-k 个专家进行处理，最后根据 router 的 权重 加权求和汇聚成输出。当 top-k 个专家被激活时，其余的专家保持非活动状态，这种模型构成了具有无限可能的稀疏通路的 MoE-LLaVA。

实验

如图 4 所示，由于 MoE-LLaVA 是第一个基于 LVLM 搭载 soft router 的稀疏模型，因此该研究将之前的模型归纳为稠密模型。研究团队在 5 个图片问答 benchmark 上验证了 MoE-LLaVA 的性能，并报告了激活的 参数 量和图片分辨率。与 SOTA 方法 LLaVA-1.5 相比，MoE-LLaVA-2.7B×4 展现了强大的图片理解能力，在 5 个 benchmark 上性能非常接近 LLaVA-1.5。其中 MoE-LLaVA 用 3.6B 的稀疏激活 参数 在 SQAI 上超过了 LLaVA-1.5-7B 1.9%。值得注意的是，由于 MoE-LLaVA 的稀疏结构，只需要 2.6B 的激活 参数 量就能全面超过 IDEFICS-80B。

^{图 4 MoE-LLaVA 在 9 个 benchmark 上的性能}

另外，研究团队还关注到最近的小视觉语言模型 TinyGPT-V，MoE-LLaVA-1.8B×4 在相当的激活 参数 下在 GQA 和 VisWiz 分别超过 TinyGPT-V 27.5% 和 10%，这标志着 MoE-LLaVA 强大的理解能力在自然视觉中。

为了更全面地验证 MoE-LLaVA 的多模态理解能力，该研究在 4 个 benchmark toolkit 上评估了模型性能。benchmark toolkit 是验证模型能否能自然语言问答的工具包，通常答案是开放性的并且无固定模板。如图 4 所示，MoE-LLaVA-1.8B×4 超过了 Qwen-VL，后者使用更大的图片分辨率。这些结果都展示了 MoE-LLaVA 这一稀疏模型可以用更少的激活 参数 达到和稠密模型相当甚至超过的性能。

^{图 5 MoE-LLaVA 在幻觉物体检测上的性能评估}

该研究采用 POPE 评估 pipeline 来验证 MoE-LLaVA 的物体幻觉，结果如图 5 所示，MoE-LLaVA 展现出最好的性能，意味着 MoE-LLaVA 倾向于生成与给定图像一致的对象。具体的，MoE-LLaVA-1.8B×4 以 2.2B 的激活 参数 超过了 LLaVA。另外，研究团队观察到 MoE-LLaVA 的 yes ratio 占比处于较均衡状态，这表明稀疏模型 MoE-LLaVA 能够根据问题做出正确的反馈。

^{图 6 专家负载可视化}

图 6 展示了在 ScienceQA 上 MoE-LLaVA-2.7B×4-Top2 的专家负载。整体上，在训练初始化时，所有的 MoE 层 中的专家的负载比较平衡。然而随着模型逐渐被稀疏化，第 17 到 27 层的专家的负载突然增大，甚至几乎包揽了所有 token。对于浅层的 5-11 层，主要是由专家 2、3、4 共同协作。值得关注的是，专家 1 几乎只在第 1-3 层工作，随着模型变深，专家 1 逐渐退出了工作。因此，MoE-LLaVA 的专家们学到了某种特定的模式，它能够按照一定的规律进行专家分工。

^{图 7 模态分布可视化}

图 7 展示了不同专家的模态分布。该研究发现 text 和 image 的路由分布极其相似，例如当专家 3 在 17-27 层努力工作时，它所处理的 text 和 image 的占比是相似的。这表明 MoE-LLaVA 对于模态并无明显的偏好。

该研究还在 token level 上观察了专家们的行为，并在下游任务上跟踪所有 token 在稀疏网络中的轨迹。对 text 和 image 所有激活的通路，该研究采用 PCA 降维 得到主要的 10 条通路，如图 8 所示。研究团队发现对于某个未见的 text token 或 image token，MoE-LLaVA 始终偏向于派发专家 2 和 3 来处理模型深层。专家 1、4 倾向于处理初始化的 token。这些结果能够帮助我们更好地理解稀疏模型在 多模态学习 上的行为，并探索未知的可能。

^{图 8 激活通路可视化}