摘要：2024年2月，UC Berkeley开源了大世界模型（LWM），支持1M token（与Gemini1.5持平）、1h视频问答、及视频图片生成，相当于开源版Gemini1.5pro。
目录
一、前言
二、模型架构
三、核心技术
四、训练过程
五、效果与性能
六、验证
一、前言
目前，在paperswithcode网站研究趋势榜单中排名第一。
大世界模型（LWM）是一种通用的多模态自回归模型。它使用RingAttention在各种长视频和书籍的大型数据集上进行训练，可以执行语言，图像和视频理解和生成。
大世界模型（LWM）具备的能力：
- LWM可以与图像聊天。
- LWM可以跨1M上下文检索事实，具有高准确性。
- LWM可以在1小时的YouTube视频上回答问题。
- LWM可以从文本生成视频和图像。
图像问答是大部分商业和开源VLM（Vison-Language Model）模型的通用能力，如GPT-4V、Qwen-VL。1M的上下文窗口目前与与Gemini1.5持平，超越了大部分VLM，也为视频类理解和生成能力的融入铺平道路。同时，能做到在长视频上的问答、并具备图像和视频的生成，可以说UC伯克利的这项工作直接与VLM统一架构标杆的商用产品谷歌Gemini对标，并且开源。
二、模型架构
LLaMA和RingAttention。LWM采用具有高达1M tokens上下文序列的自回归transformer模型架构，基于Llama2-7B和RingAttention。
VQGAN和BPE编码器。图片和视频帧采用VQGAN编码为视觉tokens（对于图片，将256x256输入图像转换16x16=256个tokens。对于视频，通过每帧应用VQGAN并将代码连接在一起），与经过BPE编码后的文本tokens结合，统一送入LWM中，自回归方式进行token预测支持理解和生成任务。
Any-to-Any多模态任务训练。该模型基本上是使用多种模态以任意对任意（any-to-any）的方式进行训练的。输入和输出tokens的顺序反映了不同的训练数据格式，包括图像-文本、文本-图像、视频问答、文本-视频和纯文本问答等格式。为了区分图像和文本标记，并进行解码，我们用特殊的分隔符<vision>和</vision>包围视频和图像标记。我们还采用<eof>和<eov>视觉标记，以标记图像和视频中的中间帧和最后帧的结束。
CFG图像视频生成。LWM也可以从文本生成图像和视频。LWM在logits上使用CFG（classifier-free guidance）进行自回归采样，CFG在文生图扩散模型如SD、DALLE2、Imagen中广泛使用，原始噪声预测被有、无条件噪声预测的线性组合代替，可进一步提升生成质量。在LWM中对于无条件分支，我们用<bos><vision>初始化每个序列。
三、核心技术
环注意力机制：RingAttention
为了增强LWM的长文本处理能力，开发者应用了RingAttention机制。RingAttention是该团队去年提出的一种窗口扩增方式，《Ring Attention with Blockwise Transformers for Near-Infinite Context》论文入选了ICLR 2024。
RingAttention运用了“分而治之”的思想，将长文本分成多个块，用多个计算设备做序列并行处理，然后再进行叠加，理论上允许模型扩展到无限长的上下文。由于transformer自注意力架构中，内存与输入长度呈二次方关系。RingAttention思路是先把SA（Self-Attention）和FFN（前向反馈网络）计算分块Block到不同设备上，借鉴百度提出的分布式训练技术——环形模式(RingAllReduce)，在不同设备上分布式计算transformer块，解决上下文的扩展瓶颈。
在LWM中，RingAttention还与FlashAttention结合使用，并通过Pallas框架进行优化，从而提高性能。
RingAttention详细解析
为了能够拓展Transformer可支持的序列长度。作者提出以分块方式执行自注意力和前馈网络计算，跨多个主机设备分布序列维度，从而实现并发计算和通信，由于该方法将环中主机设备之间的键值块通信与块计算重叠，因此将其命名：环注意(Ring Attention)。
具体地，该方法在主机设备之间构建注意力计算块的外循环，每个主机设备具有一个查询块，并通过键值块遍历主机设备环，以逐块的方式进行注意力和前馈网络计算。当计算注意力时，每个主机将键值块发送到下一个主机，同时从前一个主机接收键值块。这里作者使用与原始 Transformer 相同的模型架构，但重新组织了计算。具体如下图所示：
对于内循环，每个设备计算其各自的块式注意力和前馈操作。在内循环期间，每个设备将用于块式计算的键值块的副本发送到环中的下一个设备，同时从前一个设备接收键值块。由于块计算比块传输需要更长的时间，与标准Transformer相比，此过程不会增加开销。具体如下图所示：
使用RingAttention，每个设备的内存需求与块大小成线性关系，而与原始输入序列长度无关，这也消除了各个设备施加的内存限制。其中，b为批大小，h为隐藏维数，n为头数，s为序列长度，c为块大小。
四、训练过程
训练分两阶段：
- 阶段一：渐进式的纯文本训练
- 阶段二：多模态训练
第一阶段的目标是建立一个能够处理长文本序列的语言模型，以理解复杂的文档和长文本内容。为实现这一目的，研究人员采取了渐进式的训练方式，使用总计33B Token、由图书内容组成的Books3数据集，从32k开始训练，逐步将窗口扩增至1M。
第二阶段则是将视觉信息（如图像和视频）整合到模型中，以提高对多模态数据的理解能力。在此阶段，研究人员对第一阶段的LWM-Text模型进行了架构修改，以支持视觉输入。他们使用VQGAN将图像和视频帧转换为token，并与文本结合进行训练。
这一阶段同样采用循序渐进的训练方法， LWM首先在文本-图像数据集上进行训练，然后扩展到文本-视频数据集，且视频帧数逐步增多。
理解/生成任务混合训练。在训练过程中，模型还会随机交换文本和视觉数据的顺序，以学习文本-图像生成、图像理解、文本-视频生成和视频理解等多种任务。
五、效果与性能
这里主要关注多模态相关能力。
1、论文中样例测试
视频理解问答：1小时时长视频问答，在自己制作的视频和问题上准确回答，而GPT-4V、GeminiPro、Video-LLaVA等标杆产品均回答错误。
穿霸王龙服饰的人骑的什么车？LWM正确回答motorcycle。
图像视频生成：
2、论文中benchmark结果分析
图像通用问答（VQA）：在VQAv2测评集上，LWM 55.8，CogAgent 83.7，LLaVA-1.6（Vicuna-7B版本）81.8，差距很大，这个成绩根本进不了VLM第一梯队。
富文本图像问答（Text-rich VQA）：论文仅给出TextVQA任务测试结果，LWM 18.8，开源标杆CogAgent 76.1，差距巨大。DocVQA、ChartQA等任务没有进行测试。一方面，训练中并没有针对此类任务数据专项提升，另一方面，与CogAgent比，LWM图像输入分辨率偏低，没有ViT及CA等规模化视觉处理机制，也造成在复杂的富文本图像理解任务上天然没有优势。
整体看，LWM当前版本在图像和视频理解问答上的表现并不出众、不在第一梯队。论文中对此进行解释。“我们的模型在基线中表现平均，表现逊于SOTA模型。我们假设这可能是由于有限的文本图像和文本视频对齐训练，而基线利用了经过更广泛、大规模数据训练的CLIP视觉骨干。相比之下，我们的模型使用VQGAN tokens，需要从头开始学习文本-图像对齐，并且由于VQGAN重建图像的文本能力较差，通常难以完成OCR任务。然而，我们相信，我们的模型将是未来基于VQ的视觉语言模型架构的一个很有前途的方向，并且可以通过更严格的训练和学习更好的tokenizers来提升表现。”
六、验证
LWM官方未提供演示系统，需自己搭建（据官方issue：32KText版约1xA100 80G，512KText版约8xA100 80G，1M多模态版至少8个A100 80G且，基于JAX），后续进行本地实际部署验证，并给出多模态能力的实测结果。
附录
- 《WORLD MODEL ON MILLION-LENGTH VIDEO AND LANGUAGE WITH RINGATTENTION》，https://arxiv.org/pdf/2402.08268v1.pdf
- 《Ring Attention with Blockwise Transformers for Near-Infinite Context》，https://browse.arxiv.org/pdf/2310.01889.pdf
- LWM代码：GitHub - LargeWorldModel/LWM
