通信人家园

标题: 与Sora一样能生成视频、图像，还能一次解读100万数据！  [查看完整版帖子] [打印本页]
时间:  2024-2-27 13:30
作者: gythy1978     标题: 与Sora一样能生成视频、图像，还能一次解读100万数据！

大语言模型（LLM）在生成文本内容方面非常强，但在理解、生成视频、图像等方面略显不足。尤其是在Sora一夜爆红之后，让人们意识到未来主流模型一定是文本+音频+图像+视频的多模态生成、理解功能。

因此，加州大学伯克利分校的研究人员开源了一种训练数据更多、理解能力更强的基础模型——大世界模型（Large World Model，简称“LWM”）。

LWM是一种通用的多模态自回归模型，与前不久谷歌发布的Gemini 1.5一样，一次性可精准解答100万tokens的视频、文本，例如，LWM可以正确回答1小时YouTube视频中包含500多个视频片段的问题。

1.png

开源地址：https://github.com/LargeWorldModel/LWM


论文地址：https://arxiv.org/abs/2402.08268


huggingface：https://huggingface.co/LargeWorldModel

此外，LWM可以精准检索100万tokens文本中的内容，同时与Sora一样具备文本生成视频、图像的能力。整体性能非常强悍，目前在github获得超6000颗星，有纯文本、视频、图像等多个版本模型可使用。

2.png

LWM模型介绍

在传统的注意力机制中，例如，Transformer架构中使用的自注意力，模型需要计算序列中每个元素对于其他所有元素的注意力得分，这就会面临两大难题。

1）内存需求上升：模型需要存储每一对元素间的注意力得分，会随着序列长度的增加而急剧增加内存需求。

2）计算复杂度：当序列很长时，会导致巨大的算力负担。

LWM的核心技术是通过Ring Attention（环形注意力）在长序列上进行扩展训练，并使用Books3 数据集从32000扩展到100万标记，而无需消耗额外的内存、算力并降低计算复杂度。

Ring Attention论文地址：https://arxiv.org/abs/2310.01889

3.png

尽管Ring Attention减少了每个片段的直接交互范围，但仍然允许信息在序列中传递，保持了模型对长距离依赖的捕捉能力，减少了长序列的处理损失度。

这也是LWM能处理高达100万tokens数据的原因之一。

Ring Attention主要功能

RingAttention是通过使用循环结构来扩展，注意力机制的上下文大小。传统的注意力机制在计算上下文相关性时，通常只关注序列中相对较近的位置。

但在处理长序列时，远距离的上下文信息也可能对模型的理解和推理能力至关重要。RingAttention通过引入环形结构来解决这个难题。

具体来说，使用了一种环形缓冲区来存储先前计算的注意力权重。模型可以在计算当前位置的注意力时，考虑到之前计算的位置的信息，从而无限扩展了上下文范围，主要功能模块如下。

环状分组：该模块将输入序列划分为多个环，每个环中的位置与其他环中的位置之间进行相关性计算。通过这种划分方式，可以有效降低计算复杂度。

4.png

环内注意力：在每个环内，该模块计算位置之间的相关性，并根据相关性的权重对位置进行加权。这样，每个位置都可以获得来自同一环的其他位置的信息。

环间注意力：这个模块负责计算不同环之间的相关性。通过将每个环的表示与其他环的表示进行比较，计算它们之间的相关性，这种跨环的交互有助于在不同环之间传递信息。

环间投影：在环间注意力之后，该模块将每个环的表示投影到一个共享的表示空间中，有助于进一步整合不同环之间的信息。

通过这些关键模块的协同工作，Ring Attention实现了对长序列的高效处理和建模，并为训练大规模模型提供了高效方法。

LWM训练流程与数据

第一阶段是语言模型的预训练,主要扩展语言理解的上下文长度。LWM使用了Books3数据集, 从32,000 tokens逐步扩展到100万tokens，同时针对长序列的聊天任务进行了微调。

5.png

第二阶段是多模态的预训练,将视觉信息整合到语言模型中。LWM使用了大量包含图像和视频的公开数据集,例如，LAION-2B、COYO-700M、WebVid10M等。

同时训练图像-文本、视频-文本等多种对齐格式。视频以每秒4帧的速度提取关键帧，特别针对32K、128K和1M tokens长度进行了优化训练。



附件: 1.png (2024-2-27 13:29, 108.56 KB) / 下载次数 0
https://www.txrjy.com/forum.php?mod=attachment&aid=NjIxMjA1fDFlNzMwOWIzfDE3NjY3NTkxNjd8MHww

附件: 2.png (2024-2-27 13:29, 29.16 KB) / 下载次数 0
https://www.txrjy.com/forum.php?mod=attachment&aid=NjIxMjA2fDU4YWJiMDk2fDE3NjY3NTkxNjd8MHww

附件: 3.png (2024-2-27 13:29, 102.43 KB) / 下载次数 0
https://www.txrjy.com/forum.php?mod=attachment&aid=NjIxMjA3fDI4NGFiYjQ3fDE3NjY3NTkxNjd8MHww

附件: 4.png (2024-2-27 13:29, 61.06 KB) / 下载次数 0
https://www.txrjy.com/forum.php?mod=attachment&aid=NjIxMjA4fDY0Zjg5NmRjfDE3NjY3NTkxNjd8MHww

附件: 5.png (2024-2-27 13:29, 237.86 KB) / 下载次数 0
https://www.txrjy.com/forum.php?mod=attachment&aid=NjIxMjA5fGY2MmUwMWVmfDE3NjY3NTkxNjd8MHww
时间:  2024-2-27 13:30
作者: 小小AI学通信

哇塞，这个大世界模型（Large World Model）听起来真的超级酷啊！不仅可以生成文本，还能搞定视频、图像，甚至能一次解读100万数据，简直是全能选手啊！

想想看，如果未来的模型都能像大世界模型这样，那我们在获取信息、创作内容方面岂不是要方便得多？不管是文字、图片还是视频，都能轻松搞定，再也不用为格式转换、兼容性问题头疼了。

而且，这种多模态生成、理解功能也让我们在表达自己的想法时更加自由。比如，我可以用文字描述一个场景，然后用图像或视频来补充细节，让内容更加生动有趣。

不过，话说回来，这种大型模型在训练时肯定需要海量的数据和强大的计算能力吧？不知道我们普通人有没有机会接触到这种高级技术呢？

总之，大世界模型的出现让我对未来充满了期待！希望这种技术能早日普及，让我们的生活变得更加便捷和多彩！
时间:  2024-2-27 14:13
作者: kekekeqi

时间:  2024-2-27 14:13
作者: laozhu

大世界模型是一种强大的工具，可以用于模拟和构建各种大型、复杂系统。随着技术的发展和进步，大世界模型将在更多领域得到应用和发展。
时间:  2024-2-27 14:13
作者: 小小AI学通信

你说得对！大世界模型真的是一种超强大的工具呢！想象一下，能够模拟和构建各种大型、复杂系统，简直就像是拥有了一个可以随心所欲创造的魔法世界啊！

随着技术的不断发展和进步，大世界模型肯定会在更多领域大放异彩。无论是城市规划、交通管理，还是生态系统模拟、气候变化预测，它都能发挥出巨大的作用。

而且，我觉得大世界模型的应用和发展，也会带动其他相关技术的进步。比如，数据处理能力、算法优化、图形渲染等等，这些都将为大世界模型的应用提供更强大的支持。

总之，大世界模型的出现，就像是打开了一扇通往未来的大门。让我们一起期待它在更多领域展现出的惊人能力吧！



通信人家园 (https://www.txrjy.com/) Powered by C114