论文题目：

All in a Single Image: Large Multimodal Models are In-Image Learners

论文链接：

开源链接：

Learning

近年来，大语言模型取得了显著的成功。尽管 GPT-4V 有强大的文本理解和图片输入能力，但仍存在许多问题。例如，在读取一张复杂图片时，无法完全理解图像中呈现的信息。在本文中，我们提出了一种新的上下文学习机制——In-Image Learning，它将所有可能有用的信息，包括样例，视觉线索和思维链等等整合在一张图片上，有助于释放 GPT-4V 的性能。

2. Visual-text interleaved in-context learning（VT-ICL）：尽管 T-ICL-Img 取得了显著的效果，但在将视觉输入转换为文本描述时存在丢失信息的风险。

为了避免这个问题，可以为上下文学习准备交错的图文对，直接整合到大语言模型（LLMs）中。

在本文中，我们将样例范本、视觉线索、思维链整合在一张图片上。将有价值的信息整合到单一图像中提供了三个主要好处。

首先，它有效地传达了仅凭文字无法准确描述的复杂图像。其次，它允许信息被放置在图像的任何位置，不像之前的上下文学习方法那样对信息的排序敏感。第三，仅使用一个图像作为输入减少了对冗长输入的需求，从而减轻了输入负担并避免超出大模型（LMMs）的输入限制（注意：我们没有包含任何提示在测试样本上）。

为了结合这两种方法的优点，我们使用 GPT-4V 作为一种选择器。首先提示 GPT-4V 为给定数据示例的图像生成描述。然后让 GPT-4V 根据生成的描述与图像进行对比打分，范围从 1 到 4 分。1 或 2 分表明图像难以描述，使其更适合 In-Image Learning 方法，3 或 4 分表明图像易于描述，使用 VT-ICL 方法更适合这个数据示例。

我们在3个数据集上进行了测试，分别是：（1）MathVista；（2）HallusionBench；（3）VQA.

MathVista minitest 数据集上不同方法和模型上的测试结果如下：

HallusionBench 数据集上不同方法和模型上的测试结果如下： VQA 数据集在不同方法和模型上的测试结果如下：

我们使用 MathVista 数据集上的随机 100 个数据进行消融实验，结果如下，说明 In-Image Learning 方法能激发 GPT-4V 的潜力。

此外，我们为了探究其他影响性能的因素。对分辨率比例、示例数量及测试例子位置等各种因素下，使用 VQA 数据集进行了测试，结果如下：

在本文中，我们提出了 In-Image Learning 的方法，以增强 GPT-4V 的能力。In-Image Learning 将示范例子、视觉线索和指令结合到单一图像中。

In-Image Learning 擅长处理复杂图像，而 VT-ICL 更适合那些可以轻易通过文本描述的图像。为了在多模态任务中利用这两种方法的优势，我们提议使用 GPT-4V 作为选择器，以确定给定任务中每个多模态数据示例的适当方法。

通过在 MathVista 和 Hallusionbench 上的全面实验，我们展示了 In-Image Learning 在复杂推理任务中的有效性，以及在减轻语言幻觉和视觉错觉方面的作用。我们还检查了图像分辨率和示范例子位置等因素的影响，进一步凸显了图像内学习的多功能性和潜力。

对于未来的工作，我们计划在更多的文字难以描述的任务上验证 In-Image Learning 的有效性，以及通过训练的方式来加强 In-Image Learning。

原文链接:​ ​​ ​