最近，GPT-4V 等視覺(jué)語(yǔ)言模型（VLM）在各種視覺(jué)語(yǔ)言任務(wù)中取得了令人難以置信的進(jìn)步。我們深入研究了基于視覺(jué)的演繹推理這一更為復(fù)雜但探索較少的領(lǐng)域，并發(fā)現(xiàn)了當(dāng)前 SOTA 視覺(jué)語(yǔ)言模型中尚未暴露的盲點(diǎn)。具體來(lái)說(shuō)，我們利用Raven's Progressive Matrices（RPM）來(lái)評(píng)估 VLM 僅依靠視覺(jué)線索進(jìn)行多跳multi-hop關(guān)系和演繹推理的能力。

我們?cè)谌齻€(gè)不同的數(shù)據(jù)集（包括 Mensa IQ 測(cè)試、IntelligenceTest 和 RAVEN）上對(duì)幾種流行的 VLM 進(jìn)行了全面評(píng)估，這些 VLM 采用了標(biāo)準(zhǔn)策略，如上下文學(xué)習(xí)、自我一致性(SC)和思維鏈（CoT）。結(jié)果表明，盡管 LLM 在文本推理方面的能力令人印象深刻，但我們?cè)谝曈X(jué)演繹推理方面仍遠(yuǎn)未達(dá)到可比的熟練程度。我們發(fā)現(xiàn)，某些在 LLMs 中有效的標(biāo)準(zhǔn)策略并不能完美地應(yīng)對(duì)視覺(jué)推理任務(wù)帶來(lái)的挑戰(zhàn)。此外，詳細(xì)的分析表明，VLMs 在解決這些任務(wù)時(shí)之所以舉步維艱，主要是因?yàn)樗麄儫o(wú)法感知和理解 RPM 示例中多種混淆的抽象模式。

https://arxiv.org/abs/2403.04732

Q1: 這篇論文試圖解決什么問(wèn)題？

A：這篇論文試圖解決的問(wèn)題是評(píng)估和理解當(dāng)前最先進(jìn)的視覺(jué)-語(yǔ)言模型（Vision-Language Models, VLMs）在視覺(jué)推理任務(wù)上的性能，特別是在需要復(fù)雜視覺(jué)推理能力的挑戰(zhàn)性任務(wù)上。具體來(lái)說(shuō)，研究者們通過(guò)使用Raven's Progressive Matrices（RPMs）問(wèn)題來(lái)測(cè)試VLMs在僅依賴視覺(jué)線索進(jìn)行多跳關(guān)系和演繹推理的能力。這些任務(wù)要求模型能夠理解給定的模式、推導(dǎo)出潛在的規(guī)則，并使用這些規(guī)則來(lái)選擇缺失模式的正確選項(xiàng)。論文的目標(biāo)是揭示VLMs在視覺(jué)演繹推理方面的局限性，并探討如何提高它們?cè)谶@一領(lǐng)域的性能。

Q2: 有哪些相關(guān)研究？

A：相關(guān)研究包括以下幾個(gè)方面：

通用大型語(yǔ)言模型（LLM）推理基準(zhǔn)：研究者們介紹了多種基于文本的推理任務(wù)和基準(zhǔn)，用于評(píng)估LLMs在不同領(lǐng)域（如常識(shí)、數(shù)學(xué)推理、常識(shí)推理、事實(shí)推理和編程）的性能。這些研究包括BIG-bench、HELM、SuperGLUE和LAMA等。

視覺(jué)推理評(píng)估：先前的工作主要集中在視覺(jué)問(wèn)答（VQA）和圖像描述等任務(wù)上，這些任務(wù)涉及回答有關(guān)圖像的問(wèn)題或生成視覺(jué)內(nèi)容的自然語(yǔ)言描述。研究人員還檢查了模型理解圖像中對(duì)象的關(guān)系和組合方面的能力。CLEVR和SHAPES等數(shù)據(jù)集評(píng)估了計(jì)數(shù)、比較、邏輯推理和記憶存儲(chǔ)等視覺(jué)推理能力。

演繹推理：在文本和視覺(jué)領(lǐng)域都進(jìn)行了演繹推理評(píng)估和基準(zhǔn)測(cè)試。例如，GuessWhat?!和ReferIt評(píng)估了模型的視覺(jué)推理能力。最近，LMRL Gym和Entity Deduction Arena被引入作為評(píng)估LLMs執(zhí)行多輪演繹推理任務(wù)的能力的方法。ARC任務(wù)與RPMs相似，都需要根據(jù)給定的例子正確推斷未見(jiàn)的輸出。

視覺(jué)-語(yǔ)言模型（VLMs）的發(fā)展：隨著VLMs在視覺(jué)推理方面的能力發(fā)展，基準(zhǔn)測(cè)試也在不斷進(jìn)步。新的基準(zhǔn)測(cè)試，如MMMU和MathVista，測(cè)試了模型在圖像和視頻中模擬人類對(duì)場(chǎng)景和對(duì)象理解的能力，包括場(chǎng)景文本理解、公式、圖表解釋、視覺(jué)刺激理解、幾何推理、空間推理和面部表情理解與推理。

這些研究為評(píng)估VLMs在視覺(jué)演繹推理任務(wù)上的性能提供了背景和基礎(chǔ)，同時(shí)也指出了當(dāng)前模型在這一領(lǐng)域的局限性。

Q3: 論文如何解決這個(gè)問(wèn)題？

A：論文通過(guò)以下步驟來(lái)解決視覺(jué)演繹推理的問(wèn)題：

建立評(píng)估框架：研究者們建立了一個(gè)系統(tǒng)性的評(píng)估框架，用于評(píng)估VLMs在RPM問(wèn)題上的性能。他們選擇了包括Mensa IQ測(cè)試、IntelligenceTest和RAVEN在內(nèi)的多樣化數(shù)據(jù)集，并在這些數(shù)據(jù)集上評(píng)估了多個(gè)流行的開(kāi)源和閉源VLMs。

應(yīng)用標(biāo)準(zhǔn)策略：研究者們嘗試了在大型語(yǔ)言模型（LLMs）中有效的標(biāo)準(zhǔn)推理時(shí)策略，**如上下文學(xué)習(xí)（in-context learning）和自我一致性（self-consistency），以探索這些策略在VLMs中的潛力。**

性能瓶頸分析：通過(guò)將VLMs的能力分解為感知、演繹推理和假設(shè)驗(yàn)證三個(gè)部分，研究者們?cè)敿?xì)診斷了VLMs在RPM任務(wù)中的性能瓶頸。他們發(fā)現(xiàn)感知是當(dāng)前VLMs的限制因素，并提供了一個(gè)案例研究來(lái)突出強(qiáng)VLMs（如GPT-4V）中的特定“盲點(diǎn)”。

問(wèn)題識(shí)別與分析：研究者們識(shí)別并檢查了當(dāng)前VLMs在這項(xiàng)任務(wù)中的幾個(gè)問(wèn)題，包括過(guò)度自信、對(duì)提示設(shè)計(jì)的敏感性以及無(wú)法有效利用上下文示例。他們通過(guò)消融實(shí)驗(yàn)研究了不同提示對(duì)模型整體性能的影響，并發(fā)現(xiàn)模型可以從更結(jié)構(gòu)化的提示中受益。

實(shí)驗(yàn)設(shè)置：研究者們?cè)敿?xì)描述了實(shí)驗(yàn)設(shè)置，包括使用的數(shù)據(jù)集、比較的模型以及用于生成響應(yīng)的提示方法。

結(jié)果評(píng)估：研究者們展示了不同VLMs在各個(gè)數(shù)據(jù)集上的表現(xiàn)，并分析了模型預(yù)測(cè)的不確定性。他們還探討了標(biāo)準(zhǔn)策略在視覺(jué)演繹推理中的有效性，并討論了VLMs在感知、推理和假設(shè)驗(yàn)證方面的表現(xiàn)。

結(jié)論與未來(lái)工作：最后，研究者們總結(jié)了VLMs在視覺(jué)演繹推理任務(wù)上的局限性，并提出了未來(lái)工作的方向，包括驗(yàn)證VLMs在描述模式時(shí)的盲點(diǎn)，以及探索對(duì)比學(xué)習(xí)或強(qiáng)化學(xué)習(xí)算法來(lái)提高模型的視覺(jué)演繹推理能力。

通過(guò)這些步驟，論文不僅揭示了VLMs在視覺(jué)演繹推理方面的當(dāng)前能力，還為如何改進(jìn)這些模型提供了見(jiàn)解和建議。

Q4: 論文做了哪些實(shí)驗(yàn)？

?

A：論文中進(jìn)行的實(shí)驗(yàn)主要包括以下幾個(gè)方面：

數(shù)據(jù)集評(píng)估：研究者們使用了三個(gè)不同的Raven's Progressive Matrices (RPMs) 數(shù)據(jù)集，包括Mensa IQ測(cè)試、IntelligenceTest和RAVEN，來(lái)評(píng)估多個(gè)流行的視覺(jué)-語(yǔ)言模型（VLMs）的性能。這些數(shù)據(jù)集涵蓋了不同的難度級(jí)別和視覺(jué)模式。

模型比較：比較了多種代表最先進(jìn)水平的VLMs，包括GPT-4V、Gemini-pro、Qwen-VL-Max和LLaVA-1.5-13B。這些模型在不同的數(shù)據(jù)集上進(jìn)行了性能測(cè)試，以評(píng)估它們?cè)谝曈X(jué)推理任務(wù)上的能力。

推理策略測(cè)試：嘗試了在大型語(yǔ)言模型（LLMs）中有效的標(biāo)準(zhǔn)推理策略，如上下文學(xué)習(xí)（in-context learning）和自我一致性（self-consistency），以探究這些策略在VLMs中的效果。

性能瓶頸分析：通過(guò)將VLMs的能力分解為感知、演繹推理和假設(shè)驗(yàn)證三個(gè)部分，研究者們對(duì)VLMs在RPM任務(wù)中的性能瓶頸進(jìn)行了詳細(xì)分析。

感知能力測(cè)試：評(píng)估了VLMs在理解RPM圖像模式方面的能力，包括對(duì)圖像的描述準(zhǔn)確性和對(duì)模式的識(shí)別。

演繹推理能力測(cè)試：通過(guò)提供正確的文本描述（oracle descriptions）來(lái)測(cè)試模型在給定正確信息的情況下的推理能力。

假設(shè)驗(yàn)證能力測(cè)試：測(cè)試了模型在接收到正確的描述和推理（oracle rationale）后，能否有效地生成假設(shè)并驗(yàn)證這些假設(shè)。

提示格式影響測(cè)試：研究了提示的結(jié)構(gòu)（如圖像和文本的順序）如何影響模型的預(yù)測(cè)性能。

錯(cuò)誤描述處理：測(cè)試了模型在接收到自身生成的錯(cuò)誤文本描述時(shí)，是否能夠進(jìn)行有效的推理。

?

這些實(shí)驗(yàn)旨在全面評(píng)估VLMs在視覺(jué)演繹推理任務(wù)上的能力，并識(shí)別它們?cè)谶@一領(lǐng)域的局限性。通過(guò)這些實(shí)驗(yàn)，研究者們能夠深入了解VLMs在視覺(jué)推理方面的性能，并為未來(lái)的改進(jìn)提供了方向。

Q5: 有什么可以進(jìn)一步探索的點(diǎn)？

A：論文提出了幾個(gè)可以進(jìn)一步探索的點(diǎn)：

模型訓(xùn)練數(shù)據(jù)的改進(jìn)：研究者們提到，VLMs可能主要在真實(shí)世界圖像上進(jìn)行訓(xùn)練，這可能導(dǎo)致它們對(duì)抽象模式的敏感性降低。未來(lái)的工作可以探索在更多樣化的RPM數(shù)據(jù)上進(jìn)行微調(diào)，以提高模型對(duì)抽象模式的識(shí)別能力。

對(duì)比學(xué)習(xí)和強(qiáng)化學(xué)習(xí)算法：為了提高VLMs的視覺(jué)演繹推理能力，可以探索開(kāi)發(fā)對(duì)比學(xué)習(xí)或強(qiáng)化學(xué)習(xí)算法，這些算法可能有助于模型更好地理解和推理視覺(jué)模式。

感知和推理的結(jié)合：研究者們發(fā)現(xiàn)，當(dāng)任務(wù)涉及復(fù)雜的空間布局和關(guān)系推理時(shí)，文本信息可能不足以提供最佳性能，而視覺(jué)線索可能提供額外的對(duì)齊和更好的比較注意力。未來(lái)的研究可以探索如何更有效地結(jié)合視覺(jué)信息和文本線索。

提示結(jié)構(gòu)的優(yōu)化：論文中提到，VLMs對(duì)提示的結(jié)構(gòu)非常敏感。未來(lái)的工作可以進(jìn)一步研究如何設(shè)計(jì)更有效的提示結(jié)構(gòu)，以提高模型在視覺(jué)推理任務(wù)上的性能。

模型的不確定性校準(zhǔn)：研究者們觀察到，即使在預(yù)測(cè)不確定性較高時(shí)，模型也傾向于提供確定性的答案，而不是表達(dá)不確定性。未來(lái)的研究可以探索如何改進(jìn)模型的不確定性校準(zhǔn)，使其在面對(duì)不確定性時(shí)能夠更準(zhǔn)確地表達(dá)其置信度。

模型的泛化能力：RPM任務(wù)要求模型具有強(qiáng)大的泛化能力，因?yàn)槊總€(gè)問(wèn)題可能有不同的潛在規(guī)則。未來(lái)的工作可以探索如何提高VLMs在這種少樣本學(xué)習(xí)任務(wù)中的泛化能力。

模型的解釋能力：研究者們發(fā)現(xiàn)，模型在生成解釋時(shí)可能會(huì)產(chǎn)生錯(cuò)誤，特別是在復(fù)雜任務(wù)中。未來(lái)的研究可以探索如何提高模型的解釋能力，使其能夠更準(zhǔn)確地生成與視覺(jué)線索相匹配的解釋。

這些探索點(diǎn)為VLMs在視覺(jué)演繹推理領(lǐng)域的未來(lái)發(fā)展提供了潛在的研究方向。

Q6: 總結(jié)一下論文的主要內(nèi)容？

A：這篇論文的主要內(nèi)容可以總結(jié)如下：

研究背景：論文探討了視覺(jué)-語(yǔ)言模型（VLMs）在視覺(jué)推理任務(wù)上的性能，特別是Raven's Progressive Matrices（RPMs）這類需要復(fù)雜視覺(jué)演繹推理的任務(wù)。

研究目標(biāo)：旨在評(píng)估VLMs在視覺(jué)演繹推理任務(wù)上的能力，并識(shí)別當(dāng)前模型的局限性。

實(shí)驗(yàn)設(shè)計(jì)：使用Mensa IQ測(cè)試、IntelligenceTest和RAVEN數(shù)據(jù)集，對(duì)多個(gè)流行的VLMs進(jìn)行了全面評(píng)估。實(shí)驗(yàn)包括了標(biāo)準(zhǔn)策略的應(yīng)用，如上下文學(xué)習(xí)和自我一致性。

主要發(fā)現(xiàn)：

**VLMs在文本推理任務(wù)上表現(xiàn)出色，但在視覺(jué)推理任務(wù)上仍有顯著差距。**

某些在LLMs中有效的策略在VLMs中并不總是有效。

VLMs在感知、演繹推理和假設(shè)驗(yàn)證方面存在性能瓶頸，尤其是感知能力。

問(wèn)題分析：通過(guò)詳細(xì)分析，研究者們發(fā)現(xiàn)VLMs在處理RPM任務(wù)時(shí)，主要問(wèn)題在于無(wú)法準(zhǔn)確感知和理解多個(gè)復(fù)雜的抽象模式。

策略測(cè)試：測(cè)試了在LLMs中有效的策略在VLMs中的有效性，發(fā)現(xiàn)這些策略并不總是能夠提高VLMs的性能。

性能提升：研究者們提出了一些可能的改進(jìn)方向，包括在更多樣化的RPM數(shù)據(jù)上進(jìn)行微調(diào)，以及開(kāi)發(fā)對(duì)比學(xué)習(xí)和強(qiáng)化學(xué)習(xí)算法。

結(jié)論：盡管VLMs在視覺(jué)推理任務(wù)上取得了一定的進(jìn)展，但與人類水平相比仍有較大差距。未來(lái)的研究需要進(jìn)一步探索如何提高VLMs在這一領(lǐng)域的性能。

總的來(lái)說(shuō)，這篇論文提供了對(duì)VLMs在視覺(jué)演繹推理任務(wù)上性能的深入分析，并為未來(lái)的研究方向提供了指導(dǎo)。

審核編輯：黃飛

?