當前，多模態大模型 （MLLM）在多項視覺任務上展現出了強大的認知理解能力。

然而大部分多模態大模型局限于單向的圖像理解，難以將理解的內容映射回圖像上。

比如，模型能輕易說出圖中有哪些物體，但無法將物體在圖中準確標識出來。

定位能力的缺失直接限制了多模態大模型在圖像編輯，自動駕駛，機器人控制等下游領域的應用。

針對這一問題，港大和字節跳動商業化團隊的研究人員提出了一種新范式Groma——

通過區域性圖像編碼來提升多模態大模型的感知定位能力。

在融入定位后，Groma可以將文本內容和圖像區域直接關聯起來，從而顯著提升對話的交互性和指向性。

核心思路

如何賦予多模態大模型定位物體的能力，乃至于將文字內容和圖像區域關聯起來，做到“言之有物”，是當前一大研究熱點。

常見的做法是微調大語言模型使其直接輸出物體坐標。然而這種方法卻有著諸多限制：

1、在文本上預訓練的大語言模型本身不具備空間理解能力，僅依靠少量數據微調很難精準定位物體。

2、定位任務對輸入圖像的分辨率有較高要求，但提高分辨率會顯著增加多模態大模型的計算量。

3、大語言模型的輸出形式不適合處理精細的定位任務，比如分割。

基于這些考慮，Groma提出將定位轉移到多模態大模型的vision tokenizer中，由vision tokenizer發現并定位潛在的物體，再交給大語言模型識別。

同時，這樣的設計也充分利用了vision tokenizer本身的空間理解能力，而無需外接專家模型（比如SAM）來輔助定位，從而避免了外接模型的冗余。

具體而言，Groma在全局圖像編碼的基礎上，引入了區域編碼來實現定位功能——如下圖所示，Groma先利用Region Proposer定位潛在的物體，再通過Region Encoder將定位到的區域逐一編碼成region token。

而大語言模型則可以根據region token的語意判斷其對應的區域，并通過在輸出中插入region token來達成類似超鏈接的效果，實現visually grounded conversation。

同樣地，用戶指定的區域也可以通過Region Encoder編碼成相應的region token，并插入到用戶指令中，從而讓多模態模型能關注到指定的區域并產生指向性的回答。

為了提升定位的魯棒性和準確性，Groma采用了超過8M的數據（包括SA1B）來預訓練Region Proposer。因此其產生的proposal不僅包括常見的物體，也涵蓋了物體的組成部分以及更廣闊的背景等要素。

此外，得益于分離式的設計，Groma可以采用高分辨率特征圖用于Region Proposer/Encoder的輸入，并采用低分辨率的特征圖用于大模型輸入，從而在降低計算量的同時又不損失定位性能。

實驗結果

Groma在傳統的Grounding Benchmarks上表現出了超越MiniGPT-v2和Qwen-VL的性能。

同時，Groma在多模態大模型通用的VQA Benchmark (LLaVA-COCO)驗證了其對話和推理能力。

在可視化的對比中，Groma也表現出了更高的recall和更少的幻覺。

此外，Groma還支持融合對話能力和定位能力的referential dialogue以及grounded chat。

得益于大語言模型強大的認知推理能力，多模態大模型在視覺理解任務上表現突出。

然而一些傳統的視覺任務，如檢測分割、深度估計等，更多依賴視覺感知能力，這恰恰是大語言模型所缺乏的。

Groma在這個問題上提供了一種新的解決思路，即把感知和認知解耦開來，由vision tokenizer負責感知，大語言模型負責認知。

這種先感知后認知的形式除了更符合人類的視覺過程，也避免了重新訓練大語言模型的計算開銷。

5月15日，字節跳動剛剛公布了自研的豆包大模型，提供多模態能力，下游支持豆包APP、扣子、即夢等50+業務，并通過火山引擎開放給企業客戶，助力企業提升效率、加速智能化創新。目前，豆包APP已成為中國市場用戶量最大的AIGC應用。字節跳動正持續加大對頂尖人才和前沿技術的投入力度，參與行業頂尖的技術挑戰和攻堅。

項目網站：
https://groma-mllm.github.io
論文鏈接：
https://arxiv.org/abs/2404.13013
開源代碼：
https://github.com/FoundationVision/Groma