劍橋團隊開源：首個預訓練通用多模態後期交互知識檢索器

機器之心專欄

機器之心編輯部

背景

儘管多模態大模型（例如 GPT4-Vision、Gemini 等）展現出了強大的通用圖文理解能力，它們在回答需要專業知識的問題時表現依然不盡人意。即使 GPT4-Vision 也無法回答知識密集型問題（圖一上），這成爲了很多企業級落地應用的瓶頸。

圖 1：GPT4-Vision 在 PreFLMR 多模態知識檢索器的幫助下可以獲得相關知識，生成正確的答案。圖中展示了模型的真實輸出。

針對這個問題，檢索增強生成（RAG，Retrieval-Augmented Generation）提供了一個簡單有效的讓多模態大模型成爲” 領域專家” 的方案：首先，一個輕量的知識檢索器（Knowledge Retriever）從專業數據庫（例如 Wikipedia 或企業知識庫）中獲得相關的專業知識；然後，大模型將這些知識和問題一起作爲輸入，生成準確的答案。多模態知識提取器的知識 “召回能力” 直接決定了大模型在回答推理時能否獲得準確的專業知識。

近期，劍橋大學信息工程系人工智能實驗室完整開源了首個預訓練、通用多模態後期交互知識檢索器 PreFLMR（Pre-trained Fine-grained Late-interaction Multi-modal Retriever）。相比以往常見的模型，PreFLMR 有以下特點：

1.PreFLMR 是一個可以解決文文檢索，圖文檢索，知識檢索等多個子任務的通用預訓練模型。該模型經過百萬級的多模態數據預訓練後，在多個下游檢索任務中取得了優秀的表現。同時，作爲一個優秀的基底模型，PreFLMR 在私有數據上稍加訓練就能夠獲得表現極佳的領域專用模型。

圖 2：PreFLMR 模型同時在多項任務上取得極佳的多模態檢索表現，是一個極強的預訓練基底模型。

2. 傳統的密集文本檢索（Dense Passage Retrieval, DPR）只使用一個向量表徵問詢（Query）或文檔（Document）。劍橋團隊在 NeurIPS 2023 發表的 FLMR 模型證明了 DPR 的單向量表徵設計會導致細粒度信息損失，導致 DPR 在需要精細信息匹配的檢索任務上表現不佳。尤其是在多模態任務中，用戶的問詢（Query）包含複雜場景信息，壓縮至一維向量極大抑制了特徵的表達能力。PreFLMR 繼承並改進了 FLMR 的結構，使其在多模態知識檢索中有得天獨厚的優勢。

圖 3：PreFLMR 在字符級別（Token level）上編碼問詢（Query，左側 1、2、3）和文檔（Document，右側 4），相比於將所有信息壓縮至一維向量的 DPR 系統有信息細粒度上的優勢。

3.PreFLMR 能夠根據用戶輸入的指令（例如 “提取能用於回答以下問題的文檔” 或 “提取與圖中物品相關的文檔”），從龐大的知識庫中提取相關的文檔，幫助多模態大模型大幅提升在專業知識問答任務上的表現。

圖 4：PreFLMR 可以同時處理圖片提取文檔、根據問題提取文檔、根據問題和圖片一起提取文檔的多模態問詢任務。

劍橋大學團隊開源了三個不同規模的模型，模型的參數量由小到大分別爲：PreFLMR_ViT-B (207M)、PreFLMR_ViT-L (422M)、PreFLMR_ViT-G (2B)，供使用者根據實際情況選取。

除了開源模型 PreFLMR 本身，該項目還在該研究方向做出了兩個重要貢獻：

下文將簡略介紹 M2KR 數據集，PreFLMR 模型和實驗結果分析。

M2KR 數據集

爲了大規模預訓練和評估通用多模態檢索模型，作者彙編了十個公開的數據集並將其轉換爲統一的問題 - 文檔檢索格式。這些數據集的原本任務包括圖像描述（image captioning），多模態對話（multi-modal dialogue）等等。下圖展示了其中五個任務的問題（第一行）和對應文檔（第二行）。

圖 5：M2KR 數據集中的部分知識提取任務

PreFLMR 檢索模型

圖 6：PreFLMR 的模型結構。問詢（Query）被編碼爲 Token-level 的特徵。PreFLMR 對問詢矩陣中的每一個向量，找到文檔矩陣中的最近向量並計算點積，然後對這些最大點積求和得到最後的相關度。

PreFLMR 模型基於發表於 NeurIPS 2023 的 Fine-grained Late-interaction Multi-modal Retriever (FLMR) 並進行了模型改進和 M2KR 上的大規模預訓練。相比於 DPR，FLMR 和 PreFLMR 用由所有的 token 向量組成的矩陣對文檔和問詢進行表徵。Tokens 包含文本 tokens 和投射到文本空間中的圖像 tokens。後期交互（late interaction）是一種高效計算兩個表徵矩陣之間相關性的算法。具體做法爲：對問詢矩陣中的每一個向量，找到文檔矩陣中的最近向量並計算點積。然後對這些最大點積求和得到最後的相關度。這樣，每個 token 的表徵都可以顯式地影響最終的相關性，以此保留了 token-level 的細粒度（fine-grained）信息。得益於專門的後期交互檢索引擎，PreFLMR 在 40 萬文檔中提取 100 個相關文檔僅需 0.2 秒，這極大地提高了 RAG 場景中的可用性。

PreFLMR 的預訓練包含以下四個階段：

同時，作者展示了 PreFLMR 可以在子數據集（如 OK-VQA、Infoseek）上進一步微調以在特定任務上獲得更好的檢索性能。

實驗結果和縱向擴展

最佳檢索結果：表現最好的 PreFLMR 模型使用 ViT-G 作爲圖像編碼器和 ColBERT-base-v2 作爲文本編碼器，總計二十億參數。它在 7 個 M2KR 檢索子任務（WIT，OVEN，Infoseek， E-VQA，OKVQA 等）上取得了超越基線模型的表現。

擴展視覺編碼更加有效：作者發現將圖像編碼器 ViT 從 ViT-B（86M）升級到 ViT-L（307M）帶來了顯著的效果提升，但是將文本編碼器 ColBERT 從 base（110M）擴展到 large（345M）導致表現下降並造成了訓練不穩定問題。實驗結果表明對於後期交互多模態檢索系統，增加視覺編碼器的參數帶來的回報更大。同時，使用多層 Cross-attention 進行圖像 - 文本投射的效果與使用單層相同，因此圖像 - 文本投射網絡的設計並不需要過於複雜。

PreFLMR 讓 RAG 更加有效：在知識密集型視覺問答任務上，使用 PreFLMR 進行檢索增強大大提高了最終系統的表現：在 Infoseek 和 EVQA 上分別達到了 94% 和 275% 的效果提升，經過簡單的微調，基於 BLIP-2 的模型能夠擊敗千億參數量的 PALI-X 模型和使用 Google API 進行增強的 PaLM-Bison+Lens 系統。

結論

劍橋人工智能實驗室提出的 PreFLMR 模型是第一個開源的通用後期交互多模態檢索模型。經過在 M2KR 上的百萬級數據預訓練，PreFLMR 在多項檢索子任務中展現出強勁的表現。M2KR 數據集，PreFLMR 模型權重和代碼均可以在項目主頁 https://preflmr.github.io/ 獲取。

拓展資源