多模态大模型Ovis2.5核心技术改进点、训练方法 原创

前面介绍了《​​多模态大模型Ovis核心技术点、训练方法、数据细节​​​》，最近看到更新了Ovis2.5，来看下有哪些改进及策略。

改进点概述：

• Ovis2 采用固定分辨率ViT，需将图像分割为固定大小的子图（tiling）处理，这会破坏复杂视觉内容的全局布局连贯性和细粒度细节，Ovis2.5直接以图像原始分辨率（无需分块）输入，支持 448²~1792² 像素。（从代码看，原生分辨率直接从qwen2.5-vl copy过来的）
• 升级LLM为qwen3，增加思考推理能力，支持可选 “思考模式”：推理时可灵活开启 / 关闭该模式
• 训练策略上使用数据打包和混合并行性进行优化，加速训练（关于packing：​​​多模态大模型中图像分辨率packing策略及原生分辨率NaViT的部分结论​​）

架构

架构

架构保留了ovis之前的结构，由视觉编码器+VET（视觉嵌入表）+LLM构成：

VET过程概述：

1. 图(a)：基于连接器的MLLM：传统多模态模型（如LLava）的典型架构，连接器通常是一个MLP，其作用是将视觉特征投影到与文本嵌入相同的维度空间中。
2. 图(b)：Ovis的结构化嵌入对齐：视觉编码器的输出不再直接通过MLP投影，而是送入一个视觉嵌入表（Visual Embedding Table）。这个表是一个可学习的结构，类似于文本嵌入表。

• 视觉编码器：图像首先被视觉编码器（如 ViT）处理，分为多个patches，每个patch生成一个连续的特征向量。
• 不同于传统方法直接通过 MLP 投影，Ovis 在视觉编码器后整合了一个可学习的视觉嵌入表。每个图像patch的特征向量用于多次索引该表，生成最终的视觉嵌入。为了使视觉和文本嵌入具有兼容的形状，视觉嵌入表的维度设置为与文本嵌入表相同。
• 嵌入对齐：视觉嵌入表的引入使得视觉嵌入的生成方式与文本嵌入类似。文本嵌入通常通过查找表为每个token分配一个嵌入向量，而 Ovis 通过视觉嵌入表为视觉patch生成结构化的嵌入，实现了两者的对齐。

训练方法

五阶段训练法

阶段1：预训练P1 - 视觉嵌入表（VET）初始化

冻结ViT主体（仅解冻最后一层）、LLM全冻，仅训练视觉头（Visual Head）和视觉嵌入表（VET）。

• 数据：纯图像-描述对（如COYO、Laion），无对话格式，聚焦基础视觉理解。
• 分辨率：动态调整图像像素至448²~896²（保留宽高比），禁用RoPE（因ViT预训练无位置编码），通过动态位置嵌入插值适应可变分辨率。

阶段2：预训练P2 - 多模态基础对齐

激活全模块（VT/VET/LLM），对齐多模态对话格式，扩展高分辨率感知。全参数微调，引入多模态数据打包（将短样本拼接为长序列），减少Padding浪费，提升GPU利用率。

• 数据：新增OCR（文档/图表）、视觉定位（RefCOCO）、多轮对话数据，覆盖“图像→文本”交互。
• 分辨率：支持448²~1792²像素，激活ViT所有块的旋转位置编码（RoPE），强化高分辨率下的空间关系建模（如图表中数据点与坐标轴的位置关联）。

阶段3：预训练P3 - 多模态指令理解

扩展至8大领域（STEM/医疗/多语言等），新增多图像/视频输入，并注入带​​<think>...</think>​​标签的“思考式样本”。延续1792²支持，适配复杂图表的高密度信息（如图表中的小文本、密集数据线）。LLM切换为Qwen3，其深度推理能力（如数学公式生成）与视觉模块协同，实现“视觉信息→逻辑链→结论”的端到端训练。

阶段4：后训练P1 - 偏好对齐（DPO）

通过人类偏好优化输出质量，减少幻觉，强化推理可信度。全参数DPO（Direct Preference Optimization）+ 辅助NLL损失，对每个查询生成5~10个候选答案，形成偏好对（A＞B），优化模型选择更符合人类偏好的输出。

阶段5：后训练P2 - 强化学习（GRPO）

针对推理任务（如数学、逻辑）进行专项优化，冻结视觉模块以保感知能力。仅更新LLM参数，采用GRPO，通过“奖励模型→策略优化”循环，强化复杂推理的逻辑连贯性。

数据：聚焦可验证任务（MathVista/LogicVista），将多选问题转为填空（减少猜测依赖），离线过滤低质量样本。

实验效果

参考文献：Ovis2.5 Technical Report，https://arxiv.org/pdf/2508.11737
repo:https://github.com/AIDC-AI/Ovis/tree/main

本文转载自​​​大模型自然语言处理​​​   作者：llmnlp