LMDeploy项目中VLM模型图像填充标记的优化实践

背景介绍

在多模态大模型(Large Multimodal Models)领域，视觉语言模型(Vision-Language Models, VLM)需要同时处理文本和图像输入。在模型推理过程中，图像数据通常会被转换为特定格式的token序列，其中填充(padding)操作是确保输入长度一致的重要步骤。然而，LMDeploy项目在处理某些VLM模型时，存在图像填充标记(image pad token)使用不当的问题。

问题分析

在LMDeploy的早期实现中，所有VLM模型默认使用pad_token_id作为图像的填充标记。这种做法对于大多数模型是可行的，但对于Qwen2-VL等特定模型却存在问题。通过分析Qwen2-VL的配置文件可以发现：

1. 文本填充标记(pad_token_id)为151643
2. 而图像填充标记(image_token_id)实际上是151655

这种差异会导致模型处理图像输入时产生不一致的结果。当使用transformers库直接推理时，图像填充标记被正确识别为151655；而使用LMDeploy时却被错误地设置为151643。

技术解决方案

针对这一问题，技术团队提出了分层解决方案：

1. 基础类优化：在基础VLM模型类中保留默认实现，即使用pad_token_id作为通用解决方案

2. 特定模型适配：对于特殊模型如Qwen2-VL，通过重写get_pad_token_id方法实现定制化处理

3. 预处理构建改进：在构建预处理器的过程中，从处理器(processor)而非分词器(tokenizer)直接获取图像标记信息

以Qwen2-VL为例，其实现要点包括：

• 通过AutoProcessor加载预处理器
• 从processor中获取image_token信息
• 使用tokenizer将image_token转换为对应的token ID

实现细节

在具体实现上，可以参考Gemma3-VL的处理方式，该模型已经采用了更合理的实现方案。对于Qwen2-VL，需要特别注意其图像标记存储在processor而非tokenizer中的特性。

实现代码的核心逻辑包括：

1. 初始化处理器并获取图像标记字符串
2. 通过分词器将标记字符串转换为token ID
3. 确保该ID被正确用于后续的图像填充操作

实践意义

这一优化对于确保VLM模型在多模态任务中的表现至关重要：

1. 准确性保障：正确的填充标记使用可以避免模型对输入数据的误解
2. 兼容性提升：使LMDeploy的行为与原生transformers实现保持一致
3. 扩展性增强：为未来支持更多特殊VLM模型建立了良好的框架

总结

在部署多模态大模型时，细节处理往往决定成败。LMDeploy项目通过对图像填充标记的精细化处理，展现了工程实现中对模型特性的尊重和适配。这种针对不同模型特点进行定制化优化的思路，值得在更多模型部署场景中借鉴和应用。