Verbessern Sie das Vision Language Model durch kettenden Gedankenprozess-Reasoning.

Improve Vision Language Model Chain-of-thought Reasoning

October 21, 2024

Autoren: Ruohong Zhang, Bowen Zhang, Yanghao Li, Haotian Zhang, Zhiqing Sun, Zhe Gan, Yinfei Yang, Ruoming Pang, Yiming Yang

cs.AI

Zusammenfassung

Ketten-Denken (CoT) in Sprachmodellen für die Bildverarbeitung (VLMs) ist entscheidend für die Verbesserung der Interpretierbarkeit und Vertrauenswürdigkeit. Allerdings fehlt es den aktuellen Trainingsansätzen an robusten CoT-Daten, da sie auf Datensätzen beruhen, die von kurzen Anmerkungen mit minimalen Begründungen dominiert werden. In dieser Arbeit zeigen wir, dass das Training von VLMs mit kurzen Antworten sich nicht gut auf Aufgaben des Denkens auswirkt, die detailliertere Antworten erfordern. Um dies zu lösen, schlagen wir einen zweigleisigen Ansatz vor. Zunächst extrahieren wir Begründungen aus dem GPT-4o-Modell, um die Trainingsdaten zu bereichern und die VLMs zu feinabstimmen, um ihre CoT-Leistung zu steigern. Zweitens wenden wir Verstärkendes Lernen an, um die Qualität des Denkens weiter zu kalibrieren. Konkret konstruieren wir positive (korrekte) und negative (inkorrekte) Paare von modellgenerierten Denk-Ketten, indem wir ihre Vorhersagen mit annotierten kurzen Antworten vergleichen. Unter Verwendung dieser paarweisen Daten wenden wir den Algorithmus der Direkten Präferenzoptimierung an, um die Denkfähigkeiten des Modells zu verfeinern. Unsere Experimente zeigen signifikante Verbesserungen im CoT-Denken auf Benchmark-Datensätzen und eine bessere Verallgemeinerung auch für die direkte Antwortvorhersage. Diese Arbeit betont die Bedeutung der Einbeziehung detaillierter Begründungen in das Training und die Nutzung von Verstärkendem Lernen, um die Denkfähigkeiten von VLMs zu stärken.

English

Chain-of-thought (CoT) reasoning in vision language models (VLMs) is crucial for improving interpretability and trustworthiness. However, current training recipes lack robust CoT reasoning data, relying on datasets dominated by short annotations with minimal rationales. In this work, we show that training VLM on short answers does not generalize well to reasoning tasks that require more detailed responses. To address this, we propose a two-fold approach. First, we distill rationales from GPT-4o model to enrich the training data and fine-tune VLMs, boosting their CoT performance. Second, we apply reinforcement learning to further calibrate reasoning quality. Specifically, we construct positive (correct) and negative (incorrect) pairs of model-generated reasoning chains, by comparing their predictions with annotated short answers. Using this pairwise data, we apply the Direct Preference Optimization algorithm to refine the model's reasoning abilities. Our experiments demonstrate significant improvements in CoT reasoning on benchmark datasets and better generalization to direct answer prediction as well. This work emphasizes the importance of incorporating detailed rationales in training and leveraging reinforcement learning to strengthen the reasoning capabilities of VLMs.