InstructBLIP：迈向通用视觉语言模型的指令微调研究总结

论文题目：InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning

论文链接：https://arxiv.org/pdf/2305.06500

一、研究背景与目标

• 挑战
  视觉-语言任务因视觉输入的多样性和任务复杂性，难以通过单一模型实现通用化。现有方法中，多任务学习缺乏指令引导导致泛化能力弱，基于图像描述数据训练的视觉组件难以支撑复杂任务。

• 目标
  提出 InstructBLIP 框架，通过视觉-语言指令微调，使模型能通过统一自然语言接口解决多种视觉-语言任务，实现零样本泛化和下游任务微调的最优性能。

二、核心方法

数据构建与划分

• 收集 26 个公开数据集，转化为指令微调格式，涵盖 11 类任务（如图像 captioning、视觉推理、视频问答等）。
• 划分 13 个数据集为训练集（held-in），13 个为零样本评估集（held-out），并保留 4 类任务（如视频 QA、视觉对话）用于任务级零样本测试。

指令数据：

模型架构

• 基于 BLIP-2 的模块化设计，包含冻结的图像编码器、LLM（如 FlanT5、Vicuna）和可微调的 Query Transformer（Q-Former）。
• 创新点：引入指令感知的视觉特征提取，将文本指令输入 Q-Former，使其提取与指令相关的视觉特征，增强任务适配性。
  

训练策略

• 平衡采样：按数据集大小的平方根比例采样，避免小数据集过拟合、大数据集欠拟合，并手动调整特定数据集权重（如降低 A-OKVQA、提高 OKVQA 权重）。
  $$p_d=\frac{\sqrt{S_d}}{{\sum }_{i=1}^D\sqrt{S_i}}$$
• 微调仅更新 Q-Former，冻结图像编码器和 LLM，减少训练参数，提升效率。

三、实验结果

零样本性能

• 在 13 个 held-out 数据集上全面超越 BLIP-2 和 Flamingo，例如 InstructBLIP FlanT5 XL 相对 BLIP-2 平均提升 15.0%，4B 参数模型性能超过 80B 参数的 Flamingo，平均提升 24.8%。
• 在未训练过的任务（如视频 QA）上表现优异，MSRVTT-QA 相对最优结果提升 47.1%。

消融实验

• 移除指令感知特征提取后，空间 / 时间推理任务（如 ScienceQA、iVQA）性能显著下降（最多降低 7.6%）。
• 移除平衡采样导致训练不稳定，整体性能下降。
  

下游任务微调

• 作为初始化模型，在 ScienceQA（图像上下文）、OCR-VQA 等任务上刷新 SOTA，例如 ScienceQA 准确率达 90.7%。
• 冻结视觉编码器，训练参数从 1.2B 减至 188M，大幅提升微调效率。

定性分析

• 展现复杂视觉推理（如从场景推断灾害类型）、知识关联（如识别名画并介绍）、多轮对话等能力，响应更贴合指令意图，细节更准确。

可视化结果展示

四、结论与贡献

• 核心贡献：

  • 系统研究视觉-语言指令微调，验证其对零样本泛化的有效性。
  • 提出指令感知特征提取和平衡采样策略，提升模型适应性和训练稳定性。
  • 开源基于 FlanT5 和 Vicuna 的 InstructBLIP 模型，为通用多模态 AI 研究提供基础。

• 优势：兼顾零样本泛化能力和下游任务微调效率，在多样化视觉-语言任务中表现出通用性和优越性。