新智元報(bào)道

編輯：LRST

【新智元導(dǎo)讀】MoCa框架把單向視覺語言模型轉(zhuǎn)化為雙向多模態(tài)嵌入模型，通過持續(xù)預(yù)訓(xùn)練和異構(gòu)對(duì)比微調(diào)，提升模型性能和泛化能力，在多模態(tài)基準(zhǔn)測(cè)試中表現(xiàn)優(yōu)異，尤其小規(guī)模模型性能突出。

預(yù)訓(xùn)練的視覺語言模型（VLM）因其強(qiáng)大的圖文聯(lián)合建模能力，在多種任務(wù)上展現(xiàn)出巨大潛力，也成為了許多目前廣泛使用的多模態(tài)嵌入模型的基礎(chǔ)。

然而，這些使用因果注意力機(jī)制的多模態(tài)嵌入模型在多模態(tài)嵌入任務(wù)中存在三個(gè)關(guān)鍵限制：

• 表示能力弱：因果注意力機(jī)制單向預(yù)測(cè)的特性，限制了模型充分捕獲雙向跨模態(tài)的深層語義。

• 泛化性差：傳統(tǒng)模型多依賴于簡(jiǎn)單的圖文對(duì)訓(xùn)練數(shù)據(jù)，缺乏更廣泛、更豐富的數(shù)據(jù)源，難以在新任務(wù)或新領(lǐng)域快速泛化。

• 擴(kuò)展性低：現(xiàn)有模型的對(duì)比學(xué)習(xí)方法嚴(yán)重依賴于高質(zhì)量的標(biāo)注數(shù)據(jù)，導(dǎo)致成本高昂，難以有效地利用大規(guī)模無標(biāo)注數(shù)據(jù)。

如何高效地將預(yù)訓(xùn)練因果VLM轉(zhuǎn)變?yōu)閺?qiáng)大的雙向多模態(tài)編碼器，已成為多模態(tài)理解領(lǐng)域的重要挑戰(zhàn)。

為了克服這些挑戰(zhàn)，亟需開發(fā)出一種新型框架，能夠高效利用大規(guī)模非標(biāo)注數(shù)據(jù)，提升多模態(tài)嵌入模型的雙向理解和泛化能力。

中國(guó)人民大學(xué)、微軟亞洲研究院、斯坦福大學(xué)、普林斯頓大學(xué)等機(jī)構(gòu)的研究者提出了MoCa框架，采用雙階段方法，將基于單向注意力預(yù)訓(xùn)練的視覺語言模型（VLM）轉(zhuǎn)化為有效的雙向多模態(tài)編碼模型。

論文鏈接：https://arxiv.org/abs/2506.23115

項(xiàng)目主頁：https://haon-chen.github.io/MoCa/

MoCa通過針對(duì)不同模態(tài)的持續(xù)預(yù)訓(xùn)練和異構(gòu)對(duì)比微調(diào)，有效解決了傳統(tǒng)模型表示能力弱、泛化性差、擴(kuò)展性低的問題，取得了顯著的性能提升。

MoCa：從單向到雙向

MoCa框架包括兩個(gè)核心階段：

1. 針對(duì)不同模態(tài)的持續(xù)預(yù)訓(xùn)練（Modality-aware Continual Pre-training）

   利用隨機(jī)遮蔽的文本與圖像塊進(jìn)行聯(lián)合重建（MLM+MAE），增強(qiáng)模型的雙向跨模態(tài)理解能力；有效捕獲了更豐富的跨模態(tài)語義信息。

2. 異構(gòu)對(duì)比微調(diào)（Heterogeneous Contrastive Fine-tuning）

   利用多樣化的訓(xùn)練數(shù)據(jù)（如長(zhǎng)文檔、專業(yè)領(lǐng)域圖文、純文本等）和任務(wù)批次采樣策略，進(jìn)一步提高模型的魯棒性和泛化性能。

通過上述方法，MoCa有效提升了多模態(tài)嵌入模型的雙向表示能力和泛化性能，并顯著降低了對(duì)高質(zhì)量標(biāo)注數(shù)據(jù)的依賴。

實(shí)驗(yàn)結(jié)果表明，MoCa在多個(gè)標(biāo)準(zhǔn)多模態(tài)基準(zhǔn)測(cè)試中表現(xiàn)出色，尤其是在小規(guī)模模型條件下即可超越更大模型的性能，為多模態(tài)嵌入模型的進(jìn)一步發(fā)展奠定了堅(jiān)實(shí)基礎(chǔ)。

MoCa框架包含兩個(gè)關(guān)鍵的技術(shù)組件：

1. 針對(duì)不同模態(tài)的持續(xù)預(yù)訓(xùn)練（Modality-aware Continual Pre-training）

   跨模態(tài)雙向注意力：有效捕獲圖文之間的深層語義交互，改善因果模型單向推理的不足。

   聯(lián)合mask重建（MLM+MAE）：隨機(jī)遮蔽文本詞匯與圖像塊，讓模型雙向預(yù)測(cè)并恢復(fù)缺失信息；充分挖掘無標(biāo)注數(shù)據(jù)的潛力，增強(qiáng)模型的跨模態(tài)表示能力。

2. 異構(gòu)對(duì)比微調(diào) (Heterogeneous Contrastive Fine-tuning)

   任務(wù)批次采樣策略：動(dòng)態(tài)采樣不同任務(wù)批次，確保模型能夠高效地適應(yīng)多任務(wù)、多領(lǐng)域的應(yīng)用需求。

   多樣化數(shù)據(jù)源：采用長(zhǎng)文檔、多領(lǐng)域圖文、純文本等豐富數(shù)據(jù)類型，提升模型的泛化能力。

通過這兩個(gè)組件的緊密協(xié)作，MoCa實(shí)現(xiàn)了預(yù)訓(xùn)練到微調(diào)的高效流程，充分利用無監(jiān)督數(shù)據(jù)，在性能和泛化性上取得突破。

與傳統(tǒng)多模態(tài)嵌入框架的對(duì)比

MoCa框架相比傳統(tǒng)的多模態(tài)嵌入模型有著明顯優(yōu)勢(shì)。

· 傳統(tǒng)框架（如mmE5、VLM2Vec）

單純依賴高質(zhì)量標(biāo)注圖文對(duì)，擴(kuò)展性低；

以單向因果注意力為主，跨模態(tài)表示能力受限；

對(duì)新領(lǐng)域、新任務(wù)泛化性差。

· MoCa框架

充分利用大規(guī)模無標(biāo)注數(shù)據(jù)，通過持續(xù)預(yù)訓(xùn)練顯著降低成本；

雙向模態(tài)交互機(jī)制，能更深層次地捕捉圖文語義；

豐富的數(shù)據(jù)類型和任務(wù)采樣策略，大幅提升泛化性能和擴(kuò)展性。

因此，MoCa的提出為多模態(tài)嵌入領(lǐng)域提供了一條更加高效、更具泛化性的研究路徑。

實(shí)驗(yàn)效果：以小博大，效果顯著提升

研究人員在主流多模態(tài)嵌入基準(zhǔn)MMEB和ViDoRe-v2上進(jìn)行了全面評(píng)估。

在MMEB基準(zhǔn)上

3B的MoCa模型即可達(dá)到現(xiàn)有7B規(guī)模baseline模型的性能水平。

7B的MoCa模型實(shí)現(xiàn)當(dāng)前最佳性能（SOTA），顯著超越現(xiàn)有模型。

在ViDoRe-v2任務(wù)中

MoCa在跨語言、跨領(lǐng)域的復(fù)雜任務(wù)中表現(xiàn)突出，整體性能超過現(xiàn)有先進(jìn)方法。

特別在多語言和專業(yè)領(lǐng)域數(shù)據(jù)泛化能力上表現(xiàn)出明顯優(yōu)勢(shì)。

實(shí)驗(yàn)結(jié)果充分驗(yàn)證了MoCa框架在低資源條件下實(shí)現(xiàn)高性能的能力，以及卓越的泛化性能。

消融實(shí)驗(yàn)

實(shí)驗(yàn)驗(yàn)證了MoCa各核心組件的有效性，結(jié)果顯示，去除針對(duì)不同模態(tài)的持續(xù)預(yù)訓(xùn)練或異構(gòu)對(duì)比微調(diào)中的任一環(huán)節(jié)，模型性能均明顯下降，進(jìn)一步證明了MoCa框架每個(gè)組件的必要性和重要性。

持續(xù)預(yù)訓(xùn)練的數(shù)據(jù)規(guī)模效應(yīng)

為了探究持續(xù)預(yù)訓(xùn)練數(shù)據(jù)規(guī)模對(duì)模型性能的影響，研究人員進(jìn)行了針對(duì)性實(shí)驗(yàn)。

實(shí)驗(yàn)表明，隨著用于持續(xù)預(yù)訓(xùn)練的數(shù)據(jù)規(guī)模增加，模型的多模態(tài)理解性能持續(xù)提升，但存在一定的性能飽和效應(yīng)。

結(jié)果顯示，在實(shí)際應(yīng)用中應(yīng)合理權(quán)衡數(shù)據(jù)規(guī)模與計(jì)算成本，以實(shí)現(xiàn)最優(yōu)性能。

未來展望

MoCa框架的成功驗(yàn)證了針對(duì)不同模態(tài)的持續(xù)預(yù)訓(xùn)練和異構(gòu)對(duì)比微調(diào)策略的巨大潛力。這一方法不僅提升了小規(guī)模模型的表現(xiàn)，也為更廣泛的數(shù)據(jù)利用和泛化能力奠定了基礎(chǔ)。

未來，研究人員計(jì)劃進(jìn)一步探索以下幾個(gè)方面：

• 擴(kuò)展到多模態(tài)多語言領(lǐng)域，探索更廣泛的跨語言泛化能力。

• 集成更多模態(tài)信息，如視頻和音頻，推動(dòng)模型在更復(fù)雜場(chǎng)景下的應(yīng)用。

• 優(yōu)化持續(xù)預(yù)訓(xùn)練策略，探索更高效的訓(xùn)練技術(shù)，進(jìn)一步降低計(jì)算成本。

通過持續(xù)的努力，MoCa框架一定能夠在多模態(tài)嵌入領(lǐng)域發(fā)揮更廣泛、更深遠(yuǎn)的影響。

參考資料：

https://arxiv.org/abs/2506.23115