大模型面经——MLLM中模态对齐有哪些难点？有什么解决方法？ 原创

多模态大模型中模态对齐数据构建的难点及解决方案。

多模态大模型相对于LLM的训练难度更高一些，其中很关键的部分在于模态的对齐。

多模态对齐需要把各种模态映射或对齐到token空间中，让图像、语音等多模态信息抽象为token表征，从而利用现有的LLM的技术实现多模态领域的思维链和涌现。

那么本系列开始总结MLLM中多模态对齐的难点以及现有的解决方法，下面是本系列想要包含的内容。

1. 模态对齐的难点总结

• 模态对齐数据构建
• 跨模态差异影响融合效果
• 模态对齐评估效率比较低

2. 现有难点的解决方案

本篇主要来讲述模态对齐的部分。

多模态模型架构与训练方法

在开始前先简单回顾一下多模态模型架构与训练方法~

目前MLLM常见的输入模态包括图像、视频、音频，另外IMU（惯性测量单元，Inertial Measurement Unit）传感器数据以及脑波等生理信号数据也有在尝试接入。

下图是一个可以参考的多模态大模型基本架构。

典型的多模态大模型基本架构（来源：腾讯AI Lab）

目前多模态大模型的训练方法和架构上比较趋同，多采用两段式训练方法，按照一定次序分别训练视觉编码器和语言模型，但最后阶段都会训练到跨模态映射（Q-former或者MLP）的参数。

两段式训练方法（来源：阿里巴巴达摩院）

具体来说：

第一阶段，通过模态对齐预训练，将映射层和模态编码器（Modality 的输出优化映射到联合LLM嵌入空间，进行各模态的对齐。

第二阶段，通过多模态指令调整，模型将系统指令/文本查询与输入多模态上下文相关联。CLIP ViT-L等就是比较典型的特定模态编码器。

可以看到模态对齐确实是非常重要的部分。

数据模态对齐的难点和解决方案

1. 安全性难点

多模态数据对齐需要文本指令、上下文响应，以及非文本模态（如图像/音频）的强关联标注。此外目前新兴的生物信号、传感器信号等数据在建模时也需要考虑，以及标注过程中还需要考虑COT的部分。

目前数据收集过程中需要着重考虑内容相关性和安全性，需要人工介入的环节非常多，因此成本极高且难以规模化。

2. 解决方案简述

可以通过标注或合成的方式构建一部分引导样本，引导生成内容与生成风格，并以目标嵌入的方式替代真实的多模态数据，在MLLM的前向传播过程中引导生成相关引导目标嵌入来进行优化。

3. 具体示例说明

上面的话可能有些抽象，这里推荐一篇ACL2025北航彭浩团队提出的合成嵌入技术SEA（Synthetic Embedding augmented safety Alignment）框架辅助大家理解。

SEA在模态编码器表示空间中优化合成嵌入，替代真实多模态数据；通过梯度更新生成目标嵌入，比如对训练结果有害的相关向量，与文本指令结合构建训练数据集。

主要分为3个阶段，下面简单的进行表述。

1）数据准备

构建一个文本安全对齐数据集

其中x表示有害指令，y是道德响应，对于每个pair构建一个辅助数据集，用于内容控制和风格控制。

内容控制的样本示例

指令：请简要描述图像中的活动（产品）

目标真值：响应前缀 + 答案

风格控制的样本示例

指令：图像的风格是什么？

目标真值：响应前缀 + 风格描述（风格描述要从预定义的风格集合中随机采样）

2）嵌入优化

对于每个pair，准备一个空白图像（或空白视频、静音音频）的嵌入 E0，并将其作为可训练的嵌入进行优化。

优化目标是给定E0，以及内容控制和风格控制的指令，最大化MLLM生成内容控制和风格控制目标样本的概率。优化过程如下：

3）安全性对齐

将优化后的嵌入 Ei与文本数据集 DT结合，构建多模态数据集 

对于每个x，添加一个前缀，如“图像显示一个活动（产品）。请理解它并回答以下问题。”生成 。保留 DT 中的响应。

在安全性对齐训练中，忽略模态编码器 M(⋅)，修改MLLM的前向传播过程为

使其适应现有的安全性对齐训练策略。

个人认为这种方法在实践中还是比较实用，目前在图像这个模态中应用的会更多一些；未来积累的这里具备引导性质的Embedding库本身就具备很大的价值。

大佬们有更多见解的话，可以加微信一起多多讨论。

参考文献：

[1]  GPT-4o 实现真正的多模态大一统了吗？技术难度多高？ - 知乎(https://www.zhihu.com/question/655951646/answer/3498544864?share_code=SyMNrAHBEGXN&utm_psn=1911120005984163324)

[2] SEA: Low-Resource Safety Alignment for Multimodal Large Language Models via Synthetic Embeddings  (https://arxiv.org/pdf/2502.12562)

本文转载自​​瓦力算法学研所​​，作者：喜欢瓦力的卷卷