多模态大语言模型（MLLMs）已经在处理单张图片任务上表现得非常出色。不过，当涉及到长图片序列的处理时，仍然有很多困难需要解决。为此，阿里推出了一款名叫mPLUG-Owl3的模型，它不仅功能强大，还能在需要结合图文知识、混合图文内容和处理长视频的场景中，更好地理解长图片序列。现有的一些多图输入方法存在两个主要问题：像LLaVA-Next-Interleave等模型将视觉特征直接与文本序列拼接，这在处理多图长序列时会导致高昂的计算成本；而Flamingo等模型使用的cross-attention结构虽然降低了计算开销，但却导致了视觉信息的细节损失，限制了它们在单图和多图任务中的表现。为此，mPLUG-Owl3特别设计了一个叫‘超注意力模块’的新技术，能够高效地将视觉和语言整合在一起，使得处理多张图片的任务变得更加轻松。mPLUG-Owl3模型的核心结构由三个主要部分组成：视觉编码器SigLIP-400M、语言模型Qwen2，以及连接这两者的线性层。视觉编码器首先从图像中提取特征，然后通过线性层将这些特征映射到与语言模型相同的维度。在文本序列中，使用了特殊的标记来表示图像位置，并采用self-attention和cross-attention并行建模的方式，将图像特征与文本特征融合在一起。与Flamingo和EVLM等模型在语言模型的每一层都插入cross-attention层的做法不同，mPLUG-Owl3只在网络中的少数层使用了他们提出的Hyper Attention Transformer Block（HATB）。这种方法避免了引入大量额外的参数和计算负担，同时仍然实现了有效的特征融合。视觉特征和文本特征首先会经过一个共享的层（LN层）进行处理。在实验中发现，使用同一个LN层来处理视觉和文本输入，比为视觉输入单独设置一个LN模块能带来更好的效果。通过LN层处理后，延续了mPLUG-Owl2的做法，为视觉输入设置了专门的Key-Value映射，同时与文本输入共享相同的Query映射。这样做既能保留视觉特征的独特性，又能让语言模型根据文本的语义，灵活获取所需的视觉信息。在完成文本间的self-attention和跨模态的cross-attention并行建模后，设计了一种自适应门控机制。通过计算文本特征线性映射后的激活值来获得门控值，实现了文本和视觉信息的自适应融合。另外，在进行attention建模之前，引入了一种叫做多模态交错旋转位置编码（MI-Rope）的方法，来保留图像和文本的位置信息。因为在文本序列中，图像是用特殊标记表示的，对于第n幅图像，它的所有patch特征都会共享同一个标记位的位置编码。这种设计确保了位置编码不仅能反映图像的顺序，也能反映图像在整个文本序列中的具体位置。mPLUG-Owl3 还可以通过交错的图像文本上下文与用户聊天。mPLUG-Owl3可以观看电影等长视频并记住其细节。https://huggingface.co/spaces/mPLUG/mPLUG-Owl3https://github.com/X-PLUG/mPLUG-Owl/tree/main/mPLUG-Owl3 | 
