VILA项目中的Stage2预训练必要性分析

背景介绍

VILA是一个高效的大型视觉语言模型项目，其训练过程分为三个阶段。其中第二阶段（Stage2）是一个预训练阶段，使用交错图像-文本数据进行训练。最近有开发者对Stage2的必要性提出了质疑，认为跳过这一阶段对零样本性能影响不大。本文将深入分析Stage2在VILA项目中的作用和价值。

实验发现

有开发者尝试移除了Stage2训练，直接在第一阶段完成后进行第三阶段的监督微调（SFT）。实验结果显示零样本性能指标如下：

• MME：1457.42/306.43
• MMBench-CN：61.77
• MMBench：68.9
• GQA：61.93

这些指标与论文中报告的完整三阶段训练结果相比略有下降，但差异并不显著。这一发现引发了关于Stage2训练必要性的讨论。

Stage2的多重作用

尽管零样本性能差异不大，但Stage2训练在以下几个方面发挥着关键作用：

1. 基准测试性能提升：完整的三阶段训练能够将各项基准测试的性能推向更高水平。

2. 多图像处理能力：Stage2训练显著提升了模型处理多图像输入的能力。开发者可以尝试使用推理测试文件夹中的示例，会发现跳过Stage2的模型在多图像任务上表现较差。

3. 真实场景零样本能力：虽然基准测试中差异不大，但在真实世界应用中，Stage2训练提供的零样本能力更为出色。例如，在Jetson Orin Nano上部署的VILA-2.7B演示中，Stage2对实际应用效果至关重要。

4. 上下文学习能力：Stage2训练特别有助于提升模型的上下文学习（in-context learning）能力，这对少样本学习场景非常重要。

技术实现细节

在技术实现上，如果开发者希望跳过Stage2，可以在第三阶段的监督微调脚本中：

• 将model_name_or_path设置为vicuna-7b-v1.5
• 将pretrain_mm_mlp_adapter指向Stage1的mm_project文件夹

需要注意的是，原始论文使用的是llama2-7b-hf作为基础模型，而非经过文本指令调优的vicuna模型，这也是影响实验结果的一个因素。

实践建议

对于资源有限的开发者，如果：

• 只关注基准测试中的零样本性能
• 不需要处理多图像输入
• 不计划在实际应用中部署模型

那么可以考虑跳过Stage2以节省大量计算资源。但对于追求最佳性能、需要处理复杂任务或计划实际部署的场景，Stage2训练仍然是推荐的选择。

结论

VILA项目中的Stage2预训练虽然在零样本基准测试中看似影响不大，但在提升模型整体能力、特别是多图像处理和真实场景应用方面发挥着不可替代的作用。开发者应根据具体需求和资源情况，权衡是否进行这一阶段的训练。这一发现也提醒我们，评估模型性能时不能仅依赖有限的基准测试，而应考虑更全面的能力维度。