但目前的多模态大语言模型，距离真正人类级别的 AGI，总感觉少了点「内味」。没错，人类的认知和沟通必须无缝地在任何信息模态之间进行转换。作为人类，我们不仅仅可以理解多模态内容，还能够以多模态的方式灵活输出信息。
对于现有的大语言模型，一方面，其大多局限于关注于某种单一模态信息的处理，而缺乏真正「任意模态」的理解；另一方面，其都关注于多模态内容在输入端的理解，而不能以任意多种模态的灵活形式输出内容。
正当大家都在期待 OpenAI 未来要发布的 GPT-5 是否能实现任意模态大一统功能时，几天前，来自于新加坡国立大学的 NExT++ 实验室的华人团队率先开源了一款「大一统」通用多模态大模型「NExT-GPT」，支持任意模态输入到任意模态输出。目前 NExT-GPT 的代码已经开源，并且上线了 Demo 系统。
- 项目地址：https://next-gpt.github.io
- 代码地址：https://github.com/NExT-GPT/NExT-GPT
- 论文地址：https://arxiv.org/abs/2309.05519
该实验室在多模态学习方向的研究有着多年的耕耘，具有深厚的积累，而 NExT-GPT 的取名也双关了实验室的名字以及 GPT of Next generation 的寓意。
NExT-GPT 一经发布便受到了 AI 社区的大量关注。有网友表示，NExT-GPT 标识着全能型 LLM 的到来：
也有网友赞叹，这才是未来的 LLM 大趋势（大一统任意模态输入输出的 LLM）：
接下来，我们来看看 NExT-GPT 可以实现哪些功能：
- Text → Text + Image + Audio
- Text + Image → Text + Image + Video + Image
- Text + Video → Text + Image
- Text + Video → Text + Audio
- Text + Audio → Text + Image + Video
- Text → Text + Image + Audio + Video
- Text → Text + Image
- Text + Video → Text + Image + Audio
- Text → Text + Image + Audio + Video
- Text → Text + Image
可看到，NExT-GPT 能够准确理解用户所输入的各类组合模态下的内容，并准确灵活地返回用户所要求的甚至隐含的多模态内容，常见的图生文、图生视频、看图像 / 声音 / 视频说话、图像 / 声音 / 视频问答等问题统统不在话下，统一了跨模态领域的大部分常见任务，做到了真正意义上的任意到任意模态的通用理解能力。
作者在论文中还给出一些定量的实验结果验证，感兴趣的读者可以阅读论文内容。
技术细节
那 NExT-GPT 是如何实现任意模态输入到任意模态输出的？原理非常简单，作者甚至表示在技术层面上「没有显著的创新点」：通过有机地连接现有的开源 1) LLM, 2) 多模态编码器和 3) 各种模态扩散解码器，便构成了 NExT-GPT 的整体框架，实现任意模态的输入和输出，可谓大道至简。
NExT-GPT 整体呈现为一个「编码端 - 推理中枢 - 解码器」三层架构：
- 多模编码阶段：利用已开源的编码器对各种输入模态进行编码，然后通过一个投影层将这些特征投影为 LLM 所能够理解的「类似语言的」表征。作者采用了 MetaAI 的 ImageBind 统一多模态编码器。
- 推理中枢阶段：利用开源 LLM 作为核心大脑来处理输入信息，进行语义理解和推理。LLM 可以直接输出文本，同时其还将输出一种「模态信号」token，作为传递给后层解码端的指令，通知他们是否输出相应的模态信息，以及输出什么内容。作者目前采用了 Vicuna 作为其 LLM。
- 多模生成阶段：利用各类开源的图像扩散模型、声音扩散模型以及视频扩散模型，接收来自 LLM 的特定指令信号，并输出所对应的模型内容（如果需要生成的指令）。
模型在推理时，给定任意组合模态的用户输入，通过模态编码器编码后，投影器将其转换为特征传递给 LLM（文本部分的输入将会直接出入到 LLM）。然后 LLM 将决定所生成内容，一方面直接输出文本，另一方面输出模态信号 token。如果 LLM 确定要生成某种模态内容（除语言外），则会输出对应的模态信号 token，表示该模态被激活。技术示意图如下：
文中作者指出，NExT-GPT 可能并不是实现任意模态输入到任意模态输出功能的首个工作。目前有两类前驱工作：
- 一类是不久前所发布的 CoDi 模型，其整合了各种模态的 diffusion 模型，可以同时处理和生成各种组合的模态内容。然而作者指出，CoDi 由于缺乏 LLMs 作为其核心部件，其仅限于成对（Parallel）内容的输入和生成，而无法实现复杂的内容推理和决策，根据用户输入的指令灵活响应。
- 另一类工作则试图将 LLMs 与现有的外部工具结合，以实现近似的「任意多模态」理解和生成，代表性的系统如 Visual-ChatGPT 和 HuggingGPT。但作者指出，由于这类系统在不同模块之间的信息传递完全依赖于 LLM 所生成的文本，其割裂、级联的架构容易不可避免地引入了噪音，降低不同模块之间的特征信息传递效用。并且其仅利用现有外部工作进行预测，缺乏一种整体的端到端训练，这对于充分理解用户的输入内容和指令是不利的。
而 NExT-GPT 可以良好地解决如上所述的现有工作问题。那么 NExT-GPT 有哪些关键点呢？
- 关键点-1：低成本实现复杂推理 + 多模态 in 和多模态 out
如前文所述，不仅要继承 LLM 所具备的复杂内容理解和推理能力，还需要实现任意模态的输入和输出。若考虑从零开始构建整个系统，代价将会巨大（除非是大厂才能承担成本），也不利于开源和传播。考虑到现有的大模型已经基本实现了多模态的输入，为实现全能的大一统多模态能力，因此最关键的一点在于高性能的多模态输出。为此，NExT-GPT 完全基于现有开源的高性能模块（比如目前性能最强的扩散模型），充分站在巨人的肩膀上，以最低的成本实现大一统多模态大模型的构建目标（实验室可承担级别的成本）。
- 关键点-2：高效率端到端训练和模态对齐学习
妥当的、端到端的系统训练是 NExT-GPT 区别于现有其他组合型统一大模型系统最重要的一点，也是保证 NExT-GPT 具有优秀性能的前提。另一方面，还需要充分对齐系统中的所有模态的特征表征。为了既保证具有较好的学习成效，又全面降低、控制学习成本，本工作包含了以下的亮点。
首先，NExT-GPT 考虑分别在编码层 - LLM 之间以及 LLM - 解码层之间插入投影层（Projection Layers）。在冻结大规模参数的基座「编码层 - LLM - 解码层」情况下，仅去训练参数量极低的投影层部分（以及在指令微调时基于 LoRA 的 LLM 低代价更新），作者实现了仅仅 1% 参数量的训练代价。
具体通过 1）以 LLM 为中心的编码端多模态对齐学习，和 2）局部微调的解码端指令跟随增强学习实现。
另外，对于多模态大模型，为确保其能够充分忠于用户指令而响应，进一步的指令调整（IT）是非常有必要的。不同于现有的多模态大模型其输出端仅涉及到文本，我们的 NExT-GPT 系统，其输入和输出端同时覆盖了各类模态信息。
为此，作者提出了一种模态切换指令微调学习（Modality-switching Instruction Tuning，MosIT），技术内涵如下图所示。同时，由于现存的多模态指令微调数据集都无法满足任意多模态 LLM 场景（即 MosIT）的要求，我们因此构建了一套 MosIT 数据集。该数据涵盖了各种多模态输入和输出，提供了必要的复杂性和变异性，帮助提升 NExT-GPT 获得优越的多模态指令跟随和相应能力。
结论和未来展望
总体上，NExT-GPT 系统展示了构建一个通用大一统多模态的 AI 模型的美好景愿和喜人的可能性，这将为 AI 社区中后续的更「人类水平」的人工智能研究提供宝贵的借鉴。
基于 NExT-GPT，后续的研究工作可以考虑以下几个方面：
1. 模态与任务扩展：受限于现有资源，目前作者所开源的 NExT-GPT 系统仅支持四种模态：语言、图像、视频和音频。作者表示，后续会逐步扩展到更多的模态（例如，网页、3D 视觉、热图、表格和图表）和任务（例如，对象检测、分割、定位和跟踪），以扩大系统的普遍适用性。
2. 考虑更多基座 LLM：目前作者实现了基于 7B 版本的 Vicuna LLM，其表示下一步将整合不同大小的 LLM，以及其他 LLM 类型。
3. 多模态生成策略：目前版本的 NExT-GPT 系统仅考虑了基于扩散模型的纯输出方式的多模态输出。然而生成模式容易输出错误幻想内容（Hallucination），并且输出内容的质量往往容易受到扩散模型能力的限制。因此，进一步提升扩散模型的性能很关键，这能直接帮助提高多模态内容的输出质量。另外，实际上可以整合基于检索的方法来补充基于生成的过程的弊端，从而提升整体系统的输出可靠性。
4. 降低多模态支持成本：可以考虑进一步降低对更多模态的支持的成本。NExT-GPT 考虑了 ImageBind 来统一多种模态的编码，从而节省了在编码端的代价。而对于多模态输出端，作者简单地集成了多个不同模态的扩散模型。如何防止随着模态的增加而动态增加解码器是后续的重要研究方面。比如可以考虑将一些支持不同模态生成（但具有模态共性）的扩散模型进行复用。
5. MosIT 数据集扩展：目前 NExT-GPT 所使用的 MosIT 数据集规模受限，这也会限制其与用户的交互表现。后续研究可以进一步提升模态切换指令微调学习策略以及数据集。
