MoE-LLaVA项目中的模型训练与评估问题深度解析

模型训练阶段的关键问题

在MoE-LLaVA项目的复现过程中，研究者们遇到了几个关键的技术挑战。首先是训练阶段的损失值问题，特别是在MiniCPM模型上的表现。初始训练阶段的高损失值（约5）是正常现象，这与模型架构和训练数据的特性有关。

值得注意的是，MiniCPM模型在训练末期会出现损失值突然上升的现象。这一特性在其他模型中并不常见，可能是MiniCPM特有的行为。因此，建议在训练过程中保存多个检查点，而不是仅依赖最终的训练结果。例如，在总共5198步的训练中，5000步的检查点可能比最终检查点表现更好。

评估结果差异分析

在模型评估阶段，研究者们发现复现结果与论文报告存在显著差异。特别是在TextVQA数据集上，复现结果（31分）与论文结果（68.7分）差距较大。经过深入交流发现，这种差异源于对论文方法的误解。

实际上，论文中报告的高分结果并非来自第二阶段的训练数据，而是采用了不同的训练策略。具体来说，应该参考论文表5的变体c和"训练策略效果"小节中的设置。这一发现强调了仔细阅读论文方法部分的重要性，特别是在复现复杂模型时。

MiniCPM模型集成经验

在将MiniCPM LLM集成到MoE-LLaVA框架的过程中，研究者分享了宝贵经验。对话模板的配置对模型性能有显著影响。正确的配置应该使用特定的系统提示和分隔符风格：

conv_minicpm = Conversation(
    system="A chat between a curious user and an artificial intelligence assistant...",
    roles=("USER", "ASSISTANT"),
    sep_style=SeparatorStyle.TWO,
    sep=" ",
    sep2="</s>",
)

不正确的模板配置会导致模型输出重复或无意义的内容。此外，分辨率选择也影响最终效果，原始研究使用了384×384分辨率，而部分复现尝试使用了336×336分辨率，这可能导致细微的性能差异。

模型评估建议

对于希望评估模型性能的研究者，建议重点关注以下几个指标：

1. VQA-v2数据集的yes/no、number和other类别的准确率
2. TextVQA数据集的整体表现
3. 不同训练阶段的损失曲线变化

典型的评估结果范围如下：

• 非MoE版本：TextVQA约33%，VQA-v2约54%
• MoE版本：TextVQA约47%，VQA-v2有1-2%的提升

这些经验为后续研究者提供了有价值的参考，帮助他们在复现和改进MoE-LLaVA模型时避免常见陷阱，更准确地评估模型性能。