共计 1590 个字符，预计需要花费 4 分钟才能阅读完成。
大语言模型（LLMs）的发展已经扩展到多模态系统，这些系统能够在统一的框架内处理文本、图像和语音。与仅处理文本的 LLMs 相比，训练这些多模态模型需要显著更大的数据集和计算资源。为了应对这些扩展挑战，Meta 和斯坦福大学计算机科学系的研究人员引入了 Mixture-of-Transformers（MoT），这是一种稀疏的多模态 Transformer 架构，显著降低了预训练的计算成本。
这种架构旨在处理文本、图像和语音等多种数据类型，并且在统一的框架内进行训练。MoT 通过引入模型稀疏性，显著降低了预训练的计算成本，同时保持了模型的性能。
例如，在“Chameleon”设置中，MoT 在自回归文本和图像生成任务中，仅使用密集基线模型 55.8% 的浮点运算（FLOPs）就匹配了其性能。当扩展到包括语音这一第三模态时，MoT 在仅使用密集基线模型 37.2% 的 FLOPs 的情况下，就达到了与之相当的语音性能。
MoT 架构
MoT 通过模态解耦模型的非嵌入参数——包括前馈网络、注意力矩阵和层归一化——实现了模态特定的处理，并在整个输入序列上进行全局自注意力。具体来说：
- 模态解耦：
- 前馈网络：每个模态（文本、图像、语音）都有自己的前馈网络，以处理模态特定的特征。
- 注意力矩阵：每个模态有自己的注意力矩阵，以捕获模态内部的依赖关系。
- 层归一化：每个模态有自己的层归一化参数，以适应模态特定的分布。
- 全局自注意力：
- 跨模态交互：在整个输入序列上进行全局自注意力，以捕捉不同模态之间的交互。
主要功能： MoT 的主要功能是提供一个高效的多模态学习架构，它可以处理交错的多模态序列（如文本、图像和语音），并动态应用特定于模态的参数，包括前馈网络、注意力投影矩阵和层归一化。
主要特点：
- 模态特定的参数解耦： MoT 将非嵌入参数按模态解耦，使得每个模态都有自己的参数集，同时保持全局自注意力机制。
- 计算效率： MoT 在保持性能的同时，显著减少了模型的计算需求。
- 可扩展性： MoT 在不同模型规模下都能保持效率和性能，从小型到大型模型。
- 多模态处理： MoT 能够处理包括文本、图像和语音在内的多种模态数据。
工作原理：
MoT 的工作原理基于 Transformer 架构，但对所有非嵌入参数（如前馈网络、注意力矩阵和层归一化）进行了模态特定的解耦。这意味着每个模态都有自己的参数集，但它们仍然可以在全局自注意力层中交互。这样，MoT 可以针对每个模态的特点进行优化，同时保持跨模态的联系。
实验结果
研究人员在多种设置和模型规模上评估了 MoT，结果表明：
- Chameleon 7B 设置：
- 任务：自回归文本和图像生成。
- 性能：MoT 仅使用 55.8% 的 FLOPs 就达到了密集基线的性能。
- 扩展到语音：
- 任务：包括语音在内的多模态生成。
- 性能：MoT 仅使用 37.2% 的 FLOPs 就达到了与密集基线相当的语音性能。
- Transfusion 设置：
- 任务：文本和图像以不同的目标进行训练。
- 性能：
- 一个 7B 的 MoT 模型在三分之一的 FLOPs 下达到了密集基线的图像模态性能。
- 一个 760M 的 MoT 模型在关键图像生成指标上优于一个 1.4B 的密集基线。
系统分析
系统分析进一步突显了 MoT 的实际效益：
- 图像质量：在 47.2% 的挂钟时间内实现了密集基线的图像质量。
- 文本质量：在 75.6% 的挂钟时间内实现了密集基线的文本质量（在配备 NVIDIA A100 GPU 的 AWS p4de.24xlarge 实例上测量）。
应用前景
MoT 的提出为多模态大语言模型的训练提供了一种高效的解决方案，具有广泛的应用前景：
- 内容创作：电影和动画制作中，创作者可以使用 MoT 生成高质量的文本、图像和语音内容。
- 虚拟现实和增强现实：生成逼真的 3D 和 4D 场景，提升虚拟现实和增强现实的沉浸感。
- 自动驾驶和机器人：生成逼真的 3D 环境，用于自动驾驶和机器人的训练和测试。
