- Breaking the Modality Barrier: Universal Embedding Learning with Multimodal LLMs
- TL;DR
- Method
- 阶段一：Textual Discriminative Knowledge Distillation
- 阶段二：Hard Negative Enhanced Instruction Tuning
- 过滤错误负样本
- 困难负例采样策略
- Experiment
- 总结与思考
Breaking the Modality Barrier: Universal Embedding Learning with Multimodal LLMs
link
时间：25.04
单位：The University of Sydney、DeepGlint、Tongyi Lab
相关领域：MLLM
作者相关工作：Tiancheng Gu
被引次数：16
项目主页：https://garygutc.github.io/UniME/
TL;DR
CLIP这类多模态表征方法虽然被广泛应用，但存在三个问题：(1) 文本标记截断, (2) 孤立的图像-文本编码, (3) 因词袋行为导致的组合性缺陷。本文提出UniME (Universal Multimodal Embedding)，训练方法是一个两阶段训练，第一阶段用强大LLM-Teacher模型蒸馏提升MLLM的language组件的embedding表征能力，第二阶段通过难负样本指令微调进一步提升表征能力。实验结果在长短caption检索以及组合检索等多个检索任务取得好的效果。
Q：如何理解CLIP存在的上述三个问题？
(1) 文本标记截断
CLIP模型的文本编码器有最大输入长度限制（例如77个标记）。当遇到长文本（如细节丰富的图像描述）时，超出的部分会被直接截断丢弃。
(2) 孤立的图像-文本编
分别对图像和文本进行编码，然后在嵌入空间计算它们的整体相似度。这种机制是“粗粒度”的，它关注的是全局语义匹配，而无法精细地验证文本中的每一个具体陈述是否在图像中有对应。
(3) 因词袋行为导致的组合性缺陷
说CLIP的训练目标导致其文本编码器表现出“词袋”特性，是因为其基于对比学习的全局匹配范式，鼓励模型优先学习能够区分不同文本类别的关键词信号，而相对地弱化了对词序、语法结构和精细修饰关系的建模。
Method
阶段一：Textual Discriminative Knowledge Distillation
使用了一个SOTA LLM-Based嵌入模型NV-Embed V2作为Teacher模型。蒸馏方法：将text encoder从Student MLLM中解耦出来抽取text embedding，Teacher LLM模型也相应抽取embedding，通过KL散度将知识蒸馏给Student。
阶段二：Hard Negative Enhanced Instruction Tuning
过滤错误负样本
核心思想：某些样本可能与查询在语义上高度相关（即“正例”），但由于数据标注噪声或语义多样性，被错误地标记为负例，这些样本被称为“假负例”。
\(\alpha = cos(𝑒_{𝑞}, 𝑒_{𝑐}+) + \beta\)
过滤过程：在训练时，所有与查询的相似度超过阈值\(\alpha\)的负例样本都会被排除。这种方法可以有效清除假负例，同时保留那些具有挑战性的“真”困难负例。
困难负例采样策略
核心思想：与容易区分的“简单负例”相比，那些与正例标签不同但embedding表征非常相似的“困难负例”能为模型提供更丰富的梯度信息，从而更有效地提升其判别能力。
采样方法：模型自主地为每个查询识别出困难负例。具体采样公式如下：
其中，\(𝑒_{𝑐}*\)是经过假负例过滤后的候选样本，\(𝑒_{𝑐}+\)是正例候选，\(𝑒_𝑞\)是查询嵌入。函数\(Rank_𝑘\)会选择与查询最相似的前 k个候选作为困难负例。
实现细节：为保证批次一致性，当采样到的困难负例少于 k个时，会通过复制现有的困难负例来保持固定的数量 k。论文中默认设置 k = 8。
Experiment
Hard Negatives对应的Loss与梯度都有更大的贡献
从Ablation来看，Stage1与Stage2对于MMEB指标的提升都挺明显的
对于\(\beta\)与top-k的k两个超参数的ablation study
总结与思考
负样本对于表征学习比较关键，Stage2提供了两种方法，实际应用时超参数需要根据数据集相应调整。