美文网首页
语言模型中的多模态思维链推理

语言模型中的多模态思维链推理

作者: Valar_Morghulis | 来源:发表于2023-02-24 15:31 被阅读0次

Multimodal Chain-of-Thought Reasoning in Language Models

Feb 2023

Zhuosheng Zhang, Aston Zhang, Mu Li, Hai Zhao, George Karypis, Alex Smola

[Shanghai Jiao Tong University, Amazon Web Services]

https://arxiv.org/abs/2302.00923

https://github.com/amazon-science/mm-cot     2.2k stars

大型语言模型(LLM)通过利用思想链(CoT)提示生成中间推理链作为推断答案的基本原理,在复杂推理方面表现出令人印象深刻的性能。然而,现有的CoT研究集中于语言模态。我们提出了多模式CoT,它将语言(文本)和视觉(图像)模式结合到一个两阶段框架中,该框架将理论基础生成和答案推理分开。通过这种方式,答案推理可以更好地利用基于多模态信息的推理。使用多模态CoT,我们的模型在10亿个参数下的性能在ScienceQA基准上比之前的最先进LLM(GPT-3.5)高出16个百分点(75.17%->91.68%的准确度),甚至超过了人类性能。代码可在以下网址公开获取https://github.com/amazon-science/mm-cot.

Large language models (LLMs) have shown impressive performance on complex reasoning by leveraging chain-of-thought (CoT) prompting to generate intermediate reasoning chains as the rationale to infer the answer. However, existing CoT studies have focused on the language modality. We propose Multimodal-CoT that incorporates language (text) and vision (images) modalities into a two-stage framework that separates rationale generation and answer inference. In this way, answer inference can leverage better generated rationales that are based on multimodal information. With Multimodal-CoT, our model under 1 billion parameters outperforms the previous state-of-the-art LLM (GPT-3.5) by 16 percentage points (75.17%->91.68% accuracy) on the ScienceQA benchmark and even surpasses human performance. Code is publicly available available at https://github.com/amazon-science/mm-cot.

相关文章

  • 从5大挑战带你了解多模态机器学习

    摘要:多模态机器学习旨在从多种模态建立一种模型,能够处理和关联多种模态的信息。考虑到数据的异构性,MMML(Mul...

  • MULTI-MODAL ROBUSTNESS ANALYSIS

    ABSTRACT 最近,与单模态学习相比,基于大规模数据集的联合视觉和语言建模在多模态任务中取得了良好的进展。然而...

  • Text-Guided Synthesis of Artisti

    最近,扩散模型改进了生成图像生成,从而在各种任务中获得了出色的视觉质量。随着强大的多模态模型(如CLIP)的出现,...

  • 多模态模型补充-CLIP

    CLIP [OpenAI 21.01] Learning Transferable Visual Models F...

  • 普通逻辑简单说(7)

    什么是推理?推理就是从已知判断推出新的判断,包括直接推理、三段论推理、关系推理、模态推理、联言推理、选言推理、假言...

  • 一种pytorch端到端中文语音识别项目思路-基于deepspe

    这里是第二部分了,上次说到是参数配置3、推理参数推理参数这里才真正涉及到语言模型和解码器,在模型的训练过程中实际上...

  • 多模态模型汇总-按需更新二

    注意:时间逆序排列关键词:UNIMO, UNITER, Pixel-BERT, Oscar 多模态模型汇总-按需更...

  • Day 4 —模态判断和负判断

    形式推理的部分这部分就剩下模态判断和负判断,闲话不多说 模态就是常说的可能和必然,先看图,可以看到模态判断和直言判...

  • 多模态中的BERT

    BERT自问世以来,几乎刷新了各种NLP的任务榜,基于BERT的变种也层出不穷,在很多任务里都可以看到其身影。大浪...

  • 形式逻辑-反思1

    1、模态命题及其推理 [x]模态命题:陈述事物的必然性或可能性。 特征:包括“可能”、“必然”、“一定...

网友评论

      本文标题:语言模型中的多模态思维链推理

      本文链接:https://www.haomeiwen.com/subject/xmmzkdtx.html