Omni-SMoLA：通过低秩专家的软混合提升通用多模态模型

大型多模态模型（LMMs）在众多任务中表现出卓越的性能。然而，当对大量任务进行微调时，通用型LMMs往往会出现性能下降的问题。近期研究表明，专家混合（Mixture of Experts, MoE）架构对于指令微调非常有用，但对于参数量约为50-100亿（O(50-100B)）的LMMs，复制和存储专家模型的巨大成本严重限制了可使用的专家数量。我们提出了一种名为Omni-SMoLA的架构，该架构采用软专家混合（Soft MoE）方法来“软”地混合多个低秩多模态专家，并且相比传统的MoE模型，不会引入大量的新参数。其核心思想是，大型模型提供了一个基础骨干网络，而不同的轻量级专家则以残差学习的方式获取特定领域的知识，这些知识可以是单模态的或跨模态的。广泛的实验表明，SMoLA方法有助于提高在广泛生成性视觉与语言任务中的通用性能，实现了新的最先进（SoTA）通用性能，通常能够匹配或超越单一专门化的LMM基线模型的性能，并且还达到了新的最先进专门化性能。