港大字节提出多模态大模型新范式，模拟人类先感知后认知，精确定位图中物体

1,261 0 0

文章摘要

多模态大模型（MLLM）在视觉任务中展现出强大的认知理解能力，但目前大多数模型局限于单向的图像理解，难以在图像上进行精确定位。这一问题限制了模型在图像编辑、自动驾驶等领域的应用。为此，港大和字节跳动商业化团队的研究人员提出了新范式Groma。
Groma通过区域性图像编码，提升多模态大模型的感知定位能力，使文本内容能与图像区域直接关联，增强对话的交互性和指向性。

Groma的设计利用了vision tokenizer本身的空间理解能力，无需外接专家模型进行辅助定位。具体来说，Groma在全局图像编码基础上，引入Region Proposer定位潜在物体，通过Region Encoder将定位到的区域编码成region token。大语言模型根据region token进行语意判断，通过在输出中插入region token实现类似超链接的效果，从而进行visually grounded conversation。

为提升定位的鲁棒性和准确性，Groma采用了超过8M的数据进行预训练。分离式设计使得Groma可以采用高分辨率特征图进行Region Proposer/Encoder输入，同时采用低分辨率特征图用于大模型输入，降低计算量的同时保持定位性能。

实验结果显示，Groma在传统的Grounding Benchmarks上超越MiniGPT-v2和Qwen-VL，同时在VQA Benchmark (LLaVA-COCO)验证了其对话和推理能力。可视化对比中，Groma表现出更高的recall和更少的幻觉。此外，Groma还支持融合对话能力和定位能力的referential dialogue以及grounded chat。

Groma的意义在于把感知和认知解耦开来，vision tokenizer负责感知，大语言模型负责认知，这既符合人类的视觉过程，也避免了重新训练大语言模型的计算开销。字节跳动已将此技术应用于自研的豆包大模型，通过火山引擎开放给企业客户，助力企业提升效率、加速智能化创新。豆包APP成为中国市场用户量最大的AIGC应用，体现了字节跳动对顶尖人才和前沿技术的持续投入。相关项目网站、论文链接和开源代码已发布。