LLM的Transformer是否可以直接處理視覺Token？

宣傳一下最近的新工作，個人感覺是讀博以來做得最難最累但是成就感也最大的一個項目。它起源自一個很簡單的問題——自LLM誕生以來，我們見到了很多把LLM接到Vision Backbone后面的算法，那么有兩個自然的問題：

LLM的Transformer是否可以直接處理視覺Token？

LLM的Transformer是否可以提升處理視覺Token的Performance？

我們的工作回答了這兩個問題 (答案是Yes) 而且解釋了其中的原因：在語言模型中Pretrain的Transformer可以用作視覺任務的Encoder Layer。代碼已經開源，歡迎大家點贊關注我們的Paper和GitHub。

Frozen Transformers in Language Models Are Effective Visual Encoder Layers 代碼：github.com/ziqipang/LM4VisualEncoding

論文：https://arxiv.org/abs/2310.12973

1. LLM的Transformer可以處理視覺Token嗎？

在LLM的加持下，很多Vision-language Model 會直接把來自圖像的Embedding輸入給LLM，并讓LLM作為Decoder輸出文字、類別、檢測框等。但是在這些模型中，LLM并不會直接處理來自圖像的Token，它們更多地是 (1)?處理提前設計好的語義Token，例如CLIP中的cls token；(2)?處理被壓縮過的Token，例如BLIP里面經過information bottleneck的token。那么LLM是否可以直接作用于其它模態的Token呢，即LLM是否可以用作Encoder，而不只是Decoder呢？

1.1 實驗方法

驗證這個事情非常簡單，以ViT為例，我們只需要：

取出某一個LLM的Transformer Layer (例如LLaMA的最后一個Transformer)，請注意這里只需要一個Transformer Block而不是整個LLM；

把它加入到最后一個Encoder Block后面，只需要額外兩個Linear Layers把Feature Dimensions拉齊；

凍結LLM的Transformer，但是正常訓練其它部分。

以ViT為例，我們的模型結構非常簡單，只需要額外兩個線性層

1.2 和現在的Vision-language Model的異同

是否需要Pretraining？我們的方法重在提升Encoding能力，所以我們既支持Train-from-scratch，也支持Finetune，而不是必須要依賴預訓練好的Backbones。

是否需要Language？雖然我們用的是LLM的Transformer，但是我們的Framework獨立于使用Language (比如Prompts或者Alignment)，而不是像Vision-language Models一樣必須要Language。

可以處理多少模態？我們的Framework可以泛化到多個模態和任務，而不是只能處理圖像。

Encoder和Decoder有什么區別？Encoder需要直接和Visual tokens打交道，比如和HxW個圖像token的信息做Cross-attention去改變cls token。

現在已經有這么多Vision-language Models了，你們的研究有什么用？首先，我們的研究和現在的vision-language Models不矛盾而且互相補充——現在vision-language model研究如何把視覺embedding輸入給LLM，而我們的研究聚焦如何提供更好的embedding。

1.3 一個預訓練的LLaMA Transformer在許多不同模態、任務的Encoder上都有用

在論文中，我們發現把LLM的Transformer用作視覺Encoder可以泛化到極其多樣的場景。

2D語義：圖像分類 (image classification)

點云：點云分類 (point cloud classification)

視頻：動作識別 (action recognition)

無語義，回歸任務：軌跡預測 (motion forecasting)

2D多模態：2D VQA和圖像搜索 (2D VQA and Retrieval)

3D多模態：3D VQA

在這些任務中，我們的模型不只要處理圖像上像patch一樣的Token，還要處理

點云中無規則的3D點

視頻中形狀是TxHxW的長方體形狀的token

軌跡預測里面來自Agent和高精地圖的Polylines

多模態任務中混合了圖像和語言的Token

ImageNet, 圖像分類

2D/3D 語言多模態任務

自動駕駛，軌跡預測

2. 為什么預訓練的LLM Transformer有用：Information Filtering Hypothesis

雖然我們在許多任務和模態上都看到了性能的提升，但是如何解釋這一點呢？我們在研究的過程中感覺如果把加了LLM的提升都歸結于"LLM包含了可以泛化的知識"，其實比較偷懶而且不一定正確。所以我們研究了Token在加LLM transformer前后的變化提出了Information Filtering假設：

LLM Transformer模塊能夠在訓練的過程中篩選和目標任務相關的Visual Tokens并且放大他們的貢獻。

這個結論是我們paper里面可能最重要的發現。

2.1 在ViT上的觀察 —— LLM Transformer篩選出了前景

為什么可以這么說呢？我們看下圖中我們對ViT的Token Activation的可視化：為了體現不同Token的貢獻，我們從本身Activation的大小(L2-norm)和頻率大小進行了可視化(做傅里葉變換后算角度的L2-norm)。

可以看到：在有了LLM Transformer之后，ViT的Activation能更干凈地集中到前景區域，而這個性質只有在無監督學習的ViT中(e.g. DINO)中可以見到，在監督學習的ViT中很少見。

另一方面，我們對比了有/沒有LLM transformer對于Attention weight的影響：普通的ViT的Attention Weight幾乎是完全Noisy的 (和DINO的觀察吻合)，在加了LLMTransformer之后 (1) 有極少的Attention Head體現出了干凈的前景分割的樣子，但是 (2) 它們的數量較少不足以解釋Token Activation更顯著地好。

因此，我們觀察到的提升來自有用的Feature被放大了，這也是為什么我們稱之為information filtering hypothesis。

2.2 在其它任務的也可以篩選有用的Token

類似的“information filtering”現象不只在ViT和圖像分類上有，在其它任務上，LLM Transformer也有效地提升了對目標任務最有用的Token。這里我們舉兩個例子：

在動作識別中，加了LLaMA的Transformer可以更好地集中到前景的手和物體(low threshold)，也更多地篩選出了手和物體有實際動作的幀(high threshold)。

在3D VQA中，我們可視化了點云Token的大小?？梢钥吹?，那些真正和預測目標、或者問題相關的點得到了更大的關注：比如在左圖中，"behind me"的點云顯著得到了更大的Activation (顏色更亮了)。

3. 一點Ablation Study

那么我們觀察到的現象，即LLM的Transformer可以提升Visual Encoding，是否和不同的層、LLM有關呢？

多種LLM Transformer都可以提升Visual Encoding。例如用LLaMA和OPT的不同Transformer層都會有提升，而且不同層之間也會體現不同的規律。

只有足夠大的LLM才有提升Visual Encoding的效果。例如只有足夠大的OPT才會提升Visual Encoding的效果。

4. 后記

最后寫一些沒有寫在Paper里面的自己的感受和思考：

在論文中最讓我感到興奮的不是結合了LLM在很多Task上都有提升，而是在我們Information filtering假設的分析中看到了質變：神經網絡能夠更好地學習到那些和任務最相關的Token。

那么為什么會有這樣的效果？我猜測是LLM的Transformer的參數矩陣，例如FFN的矩陣，有一些很好的性質，例如在某些情況下是一個高通濾波器。我們可以從反面思考，如果一個參數矩陣是隨機初始化(低通濾波器)，或者干脆就是一個單位矩陣，那么必然不可能去篩選出來有用的Token，并且放大他們的貢獻。

在嘗試解釋這個現象的時候，我們發現用transfer learning的工具來分析會非常有難度，因為我們不能保證vision和language確實在一層transformer之后就align了。最終，一個比較合理的直覺是受到了我本科同學許逸倫"A Theory of Usable Information Under Computational Constraints"這篇Paper的啟發：我們可以把LLM Transformer看作一種Decipher，它提升了Feature的有用性，使得一層MLP或者Decoder的有限計算資源可以把Feature映射到和真實結果Mutual Information更高的空間中。事實上，這也契合我們Information filtering的觀察。

編輯：黃飛