大規模多模態模型（Large Multimodal Models，LMM）在人類反饋下的表現如何？

這一問題對于利用LMM開發通用AI助手至關重要，現有的基準測試并未針對LMM與人類的交互智能進行測試。

來自新加坡國立大學的華人團隊提出了InterFeedback，一個可應用任何LMM和數據集的交互式框架。

論文鏈接：https://arxiv.org/abs/2502.15027

在此基礎上，團隊引入了InterFeedback-Bench，用兩個具有代表性的數據集（MMMU-Pro和MathVerse）來評估交互智能，并對10種不同的LMM進行測試。

InterFeedback-Bench旨在全面評估LMM：

1）交互式解決問題的能力；

2）解釋反饋以提升自身的能力。

評估結果表明，最先進的LMM通過人類反饋糾正結果的比例不到50%！

交互式過程可提升大多數LMM解決難題的性能，現有LMM在解釋和整合反饋方面表現欠佳。進行額外迭代不一定能得出正確的解決方案，高質量反饋至關重要。

人類在解決問題時，具有很強的適應性，能夠從反饋中不斷學習完善。同樣，先進的LMM也應該能從反饋中學習，提高解決問題的能力。

評估LMM交互智能的關鍵挑戰在于自動模型測試，不同模型對相同查詢的響應不同，需要人類在每個對話輪次中提供定制化反饋。

InterFeedback框架設計原理

研究人員提出了InterFeedback，這是一個基于交互式問題解決的框架，通過GPT-4o等模型模擬人類反饋，讓LMM在動態的交互環境中進行測試和學習。

InterFeedback-Bench將帶有反饋的交互式問題解決過程，變成了一種數學模型，叫部分可觀測馬爾可夫決策過程（POMDP）。

通過狀態空間、觀測值、動作空間、轉移函數和獎勵函數等要素，精確地描述模型在交互過程中的行為和決策。

在實際應用中，當給定自然語言問題和輸入圖像時，模型基于當前狀態獲取觀測值，生成自然語言回復。獎勵函數通過精確匹配的方式判斷任務的正確性，為模型提供反饋信號。

數據集構建

InterFeedback-Bench采用了兩個有挑戰性的數據集：MathVerse和MMMU-Pro。

MathVerse是一個視覺數學問題數據集，其中包含了各種需要結合圖像和數學知識才能解決的問題。

MMMU-Pro則是綜合性的多模態基準測試，涵蓋了多個領域的專家級問題，包括科學、技術、工程和數學等。

通過巧妙地利用LMM（例如GPT-4o）來模擬人機交互，構建出具有針對性的測試數據集。

具體而言，通過選擇反饋提供模型M_p答對，而反饋接收模型M_r答錯的交集，確保反饋的相關性和可靠性。

InterFeedback框架

InterFeedback框架有兩個角色：反饋接收者M_r和反饋提供者M_p。

M_r是準備接受基準測試的LMM，如Qwen2-VL，M_p是當前最優的LMM，如GPT-4o，用于在每個時間步代替人類提供反饋。

當M_r模型生成輸出后，M_p會根據映射策略提供反饋，模型則根據反饋進行改進，如此循環，直到得到正確答案或達到預設的迭代次數。

在這個過程中，M_r根據當前的狀態和觀測信息，生成相應的動作。M_p則根據模型的回答，提供反饋信息，幫助模型改進自己的回答。

基于InterFeedback框架，團隊構建了InterFeedback-Bench基準測試。這個基準測試旨在全面評估LMM交互式問題解決和反饋學習的能力。

人類評估基準測試

除了自動基準測試，研究團隊還收集了InterFeedback-Human數據集，用于人工評估閉源模型。

與自動基準測試不同，InterFeedback-Human數據集的評估過程更注重人類的參與和反饋。用戶根據模型的回答，提供詳細的反饋信息，包括問題的分析、正確的思路和答案等。

通過這種方式，可以更深入地了解模型在實際人機交互中的表現，以及它們理解和處理人類反饋的能力。

實驗結果與分析

研究人員設計了一系列實驗，在MathVerse和MMMU-Pro兩個具有代表性的數據集上，對多個開源LMM進行了全面評估。

用準確率和糾錯率來評估結果，糾錯率定義為所有錯誤樣本中被糾正答案的樣本所占的百分比。N表示樣本總數，N_e表示錯誤樣本的數量，N_c表示已被糾正的樣本數量。

準確率和糾錯率可以用以下公式表示：

交互過程能提高性能

實驗結果表明，交互式過程對大多數LMM的性能提升有顯著的促進作用。

InterFeedback框架能使大多數模型從GPT-4o和Claude-3.5-Sonnet等提供的反饋中受益。

例如，即使是性能較弱的Fuyu-8B模型，通過GPT-4o的反饋也能糾正24.1%的錯誤樣本。這表明交互過程可以有效提高大多數LMM解決問題的能力。

難以通過反饋提升性能

盡管有先進模型提供的反饋，但大多數LMM仍難以糾正所有錯誤樣本。

以Qwen2-VL-7B和Molmo為例，Qwen2-VL-7B在MathVerse數據集上使用GPT-4o的反饋時，糾錯率為66.8%，但在MMMU-Pro數據集上僅為50.4%。

Molmo-7B在MathVerse和MMMU-Pro數據集上的糾錯率分別為55.1%和51.7%，其余模型的糾錯率普遍低于50%。

即使有LMM提供的反饋，當前的模型在通過反饋提升自身性能方面仍存在較大困難。

準確率可能無法反映模型能力

實驗發現，準確率可能無法真實、全面地反映模型的實際能力。

例如，InternVL2-8B的準確率較高（38.1%），但其糾錯率僅為49.6%。而準確率較低（22.5%）的Qwen2-VL-7B在使用GPT-4o的反饋時，卻達到了最高的糾錯率66.8%。

在MMMU-Pro數據集上也有類似情況，LLaVA-OneVision-7B的準確率排名第二（47.1%），但其糾錯率僅為 31.7%，低于幾個準確率較低的模型。

這表明僅通過準確率評估模型，可能無法全面體現其真實能力。

反饋質量至關重要

令人驚訝的是，所有模型都能從簡單的二元（0/1）反饋中受益。

同時，研究發現反饋質量至關重要，低質量反饋對性能的損害比簡單的二元反饋更大。

在MathVerse數據集上，對于一些模型，使用次優模型（Gemini-1.5-Flash）提供的簡單二元反饋，其效果優于LMM生成的詳細反饋。

人工基準測試的分析

在對OpenAI-o1、GPT-4o、Gemini-2.0和Claude-3.5-Sonnet等閉源模型的人工評估中，Claude-3.5的平均準確率最高，達到了48.3%。

從糾正率結果分析來看，不同模型從人類反饋中獲益的輪次和程度存在明顯差異。

GPT-4o在第一輪反饋中能夠糾正41.9%的錯誤樣本，顯示出其對人類反饋的快速響應和學習能力。

Claude-3.5則在第二輪反饋中展現出強大的糾正性能，成功糾正了30.6%的錯誤樣本。在第三輪，由于提供了真實答案，所有LMM都能夠給出選擇正確答案的推理步驟。

此外，不同任務類別中被糾正樣本的分布也有所不同。

視覺邏輯任務大多在前兩輪就能夠得到有效解決，而純文本數學任務和MMMU-Pro任務在前兩輪的糾正相對較少。

相比之下，純文本編碼任務和MathVerse任務在前兩輪也出現了一定比例的糾正，說明模型在這些領域具有一定的學習和改進能力。