視覺語言模型（如 GPT-4o、DALL-E 3）通常擁有數(shù)十億參數(shù)，且模型權(quán)重不公開，使得傳統(tǒng)的白盒優(yōu)化方法（如反向傳播）難以實施。

那么，有沒有更輕松的優(yōu)化方法呢？

就在最近，卡內(nèi)基梅隆大學(xué)（CMU）的研究團(tuán)隊對于這個問題提出了一種創(chuàng)新的“黑盒優(yōu)化”策略——

通過大語言模型自動調(diào)整自然語言提示詞，使視覺語言模型在文生圖、視覺識別等多個下游任務(wù)中獲得更好的表現(xiàn)。

這一方法不僅無需觸及模型內(nèi)部參數(shù)，還大幅提升了優(yōu)化的靈活性與速度，讓用戶即使沒有技術(shù)背景也能輕松提升模型性能。

該研究已被 CVPR 2024 接收。

如何做到的？

大多數(shù)視覺語言模型（如 DALL-E 3、GPT-4o 等）并未公開模型權(quán)重或特征嵌入，導(dǎo)致傳統(tǒng)依賴反向傳播的優(yōu)化方式不再適用。

不過，這些模型通常向用戶開放了自然語言接口，使得通過優(yōu)化提示詞來提升模型表現(xiàn)成為可能。

然而，傳統(tǒng)的提示詞工程嚴(yán)重依賴工程師的經(jīng)驗和先驗知識。

例如，為提升 CLIP 模型的視覺識別效果，OpenAI 花費(fèi)了一年時間收集了幾十種有效的提示詞模板（如 “A good photo of a [class]”）。

同樣，在使用DALL-E 3和Stable Diffusion等文生圖模型時，用戶往往也需掌握大量提示詞技巧才能生成滿意的結(jié)果。

那么，有沒有替代人類提示詞工程師的方法？

有的 CMU 團(tuán)隊提出了一種新策略：用 ChatGPT 等大語言模型自動優(yōu)化提示詞。

像提示詞工程師利用反饋改進(jìn)提示詞一樣，CMU 的方法將正負(fù)反饋交給 ChatGPT，以更高效地調(diào)整提示詞，具體過程如圖所示：

這種優(yōu)化過程類似于機(jī)器學(xué)習(xí)中的“爬山法”（hill-climbing）策略，不同之處在于大語言模型可以自動分析提示詞表現(xiàn)，從正負(fù)反饋中找到最優(yōu)改進(jìn)方向。

研究團(tuán)隊利用這一特性來更高效地優(yōu)化提示詞。這個過程可以用以下步驟概括：

1. 提示詞初始化：收集一批未經(jīng)優(yōu)化的初始提示詞。
2. 提示詞排序：對當(dāng)前提示詞進(jìn)行表現(xiàn)評分，保留高分提示詞，替換低分提示詞。
3. 生成新提示詞：通過大語言模型，根據(jù)提示詞的表現(xiàn)生成新的候選提示詞。

經(jīng)過多輪迭代，最終返回得分最高的提示詞作為優(yōu)化結(jié)果。

實驗結(jié)果

通過這一方法，CMU 團(tuán)隊在無需人類提示工程師參與的情況下，在多個小樣本視覺識別數(shù)據(jù)集上取得了最佳準(zhǔn)確性，甚至超越了傳統(tǒng)的白盒提示詞優(yōu)化方法（如 CoOp）。

此外，該方法在無需了解數(shù)據(jù)集內(nèi)容的前提下，自動捕捉到了下游任務(wù)的視覺特性并將其融入提示詞中，取得了更好的效果。

例如，在食物識別任務(wù)中，ChatGPT 自動將提示詞調(diào)整為識別“多樣化的美食和原料”，從而提升了模型的表現(xiàn)。

研究團(tuán)隊還證明了，通過 ChatGPT 黑盒優(yōu)化得到的提示詞不僅適用于單一模型架構(gòu)，還能在不同模型架構(gòu)（如 ResNet 和 ViT）之間泛化，并且在多種模型上表現(xiàn)優(yōu)于白盒優(yōu)化得到的提示詞。

這一系列實驗證明，大語言模型能夠從提示詞的性能反饋中提取出隱含的“梯度”方向，從而實現(xiàn)無需反向傳播的模型優(yōu)化。

在文生圖任務(wù)中的應(yīng)用

CMU 團(tuán)隊進(jìn)一步探索了該方法在生成任務(wù)中的應(yīng)用潛力。

在文本到圖像生成（T2I）任務(wù)中，ChatGPT 能夠自動優(yōu)化提示詞，從而生成更符合用戶需求的高質(zhì)量圖像。

例如，對于輸入描述“一個動物注視著一個人”，系統(tǒng)可以通過逐步優(yōu)化提示詞來提升生成圖像的準(zhǔn)確性。

此外，這一方法還適用于提示反演（Prompt Inversion）。

提示反演是一種根據(jù)現(xiàn)有圖像反推生成模型輸入提示詞的技術(shù)，簡單來說，就是通過圖像生成能夠再現(xiàn)其特征的文本描述（提示詞）。

研究團(tuán)隊在復(fù)雜的文本到圖像任務(wù)上進(jìn)行了測試，結(jié)果表明這一方法僅需三輪提示詞優(yōu)化，就能顯著提高用戶的滿意度。

此外，研究團(tuán)隊還指出，提示反演可以幫助用戶快速定制特定的圖像效果，例如“讓這只狗變成站立姿勢”或“讓背景變成夜景”，從而生成符合特定需求的圖像。

CMU 團(tuán)隊表示，提出的黑盒優(yōu)化范式突破了傳統(tǒng)模型調(diào)優(yōu)的限制，不僅在圖像分類和生成任務(wù)中表現(xiàn)出色，還展示了廣泛的應(yīng)用潛力。

這一方法無需訪問模型權(quán)重，僅通過“文本梯度”實現(xiàn)精準(zhǔn)優(yōu)化，具備強(qiáng)大的擴(kuò)展性。

未來，黑盒優(yōu)化有望應(yīng)用于實時監(jiān)控、自動駕駛、智能醫(yī)療等復(fù)雜動態(tài)場景，為多模態(tài)模型的調(diào)優(yōu)帶來更加靈活高效的解決方案。

團(tuán)隊介紹

團(tuán)隊的一作劉士弘（Shihong Liu）是卡內(nèi)基梅隆大學(xué)的研究生畢業(yè)生，曾任機(jī)器人研究所研究員。

目前在 北美Amazon 工作，負(fù)責(zé)大型分布式系統(tǒng)的計算和大語言模型驅(qū)動的 AI Agent 的開發(fā)。

△劉士弘（Shihong Liu）

團(tuán)隊的共同一作林之秋（Zhiqiu Lin）是卡內(nèi)基梅隆大學(xué)的博士研究生，專注于視覺-語言大模型的自動評估與優(yōu)化。

Zhiqiu Lin在CVPR、NeurIPS、ICML、ECCV等頂級會議上發(fā)表了十?dāng)?shù)篇論文，并曾榮獲最佳論文提名和最佳短論文獎等。

△林之秋（Zhiqiu Lin）

Deva Ramanan教授是計算機(jī)視覺領(lǐng)域的國際知名學(xué)者，現(xiàn)任卡內(nèi)基梅隆大學(xué)教授。

△Deva Ramanan教授

他的研究涵蓋計算機(jī)視覺、機(jī)器學(xué)習(xí)和人工智能領(lǐng)域，曾獲得多項頂級學(xué)術(shù)榮譽(yù)，包括2009年的David Marr獎、2010年的PASCAL VOC終身成就獎、2012年的IEEE PAMI青年研究員獎、2012年《大眾科學(xué)》評選的“十位杰出科學(xué)家”之一、2013年美國國家科學(xué)院Kavli Fellow、2018年和2024年的Longuet-Higgins獎，以及因其代表性工作（如COCO數(shù)據(jù)集）獲得的Koenderink獎。

此外，他的論文在CVPR、ECCV和ICCV上多次獲得最佳論文提名及榮譽(yù)獎。他的研究成果對視覺識別、自動駕駛、和人機(jī)交互等應(yīng)用產(chǎn)生了深遠(yuǎn)影響，是該領(lǐng)域極具影響力的科學(xué)家之一。

 CVPR’24論文鏈接: https://arxiv.org/abs/2309.05950

 論文代碼: https://github.com/shihongl1998/LLM-as-a-blackbox-optimizer

 項目網(wǎng)站： https://llm-can-optimize-vlm.github.io