使用人工智能反馈的强化学习调优多模态视频模型

使用人工智能反馈的强化学习调优多模态视频模型

引用

CSDN

1.

https://blog.csdn.net/weixin_43145427/article/details/144134537

本文介绍了一种新颖的对齐方法，旨在改善视频大型多模态模型（VLMMs）的视频与文本之间的对齐。该方法利用人工智能反馈的强化学习（RLAIF）来有效对齐视频和文本模态，减少对人类注释的依赖。通过引入上下文感知的奖励建模，专注于提高视频内容的清晰度和理解力，同时扩展监督微调（SFT）模型的训练数据，并应用简单的课程学习策略，增强了模型的训练效果。实验结果表明，所提出的VLM-RLAIF模型框架在多项视频理解基准测试中显著优于现有方法，展现了良好的泛化能力。

VLM-RLAIF框架

VLM-RLAIF框架主要包括四个模块：监督微调，基于人工智能反馈的奖励建模，从人工智能反馈中强化学习以及上下文感知的奖励建模。

监督微调 (Supervised Fine-Tuning)

• 首先对大型语言模型（LLM）进行监督微调，使用合成生成的视频-文本指令调优数据，以提升模型遵循指令的能力。
• 结合视觉编码器和可学习参数，增强模型处理视觉内容的能力。

基于人工智能反馈的奖励建模 (Reward Modeling with AI Feedback)

• 利用预训练的AI模型生成相似于人类的偏好反馈，评估不同响应的优劣。
• 通过评估生成的响应，训练奖励模型，以便为更优的响应分配更高的奖励分值，从而引导模型改进。

从人工智能反馈中强化学习 (Reinforcement Learning from AI Feedback)

• 在训练过程中，利用奖励模型对监督微调模型进行进一步优化，提升模型在生成视频相关响应时的表现。
• 采用强化学习算法（如近端策略优化算法PPO），使得模型能够在自我反馈中进行调整和改进。

上下文感知的奖励建模 (Context-Aware Reward Modeling)

• 在奖励建模中引入详细的视频描述作为上下文，增强模型对视频内容的理解。
• 通过将视频分段并生成详细的描述，改善模型在选择偏好时的上下文相关性，使得选择更具针对性和准确性。
• 两阶段课程监督微调 (Two-Stage Curriculum SFT)：
• 通过将数据集分为“简单”和“困难”两类，逐步提升模型的学习难度，先从简单任务入手，逐步过渡到复杂任务。
• 这种课程学习策略旨在优化模型的指令跟随能力，帮助模型更有效地掌握复杂的视频-文本关系。

结语

文章提出了一种利用人工智能反馈强化学习（RLAIF）来优化视频大型多模态模型（VLMMs）的视频与文本对齐的方法，显著提升了模型在视频理解任务中的表现。

论文题目： Tuning Large Multimodal Models for Videos using Reinforcement Learning from AI Feedback
论文链接： https://arxiv.org/abs/2402.03746