多模态学习面临的主要挑战之一是需要融合文本、音频、视频等异构的模态，多模态模型需要组合不同来源的信号。然而，这些模态具有不同的特征，很难通过单一模型来组合。例如，视频和文本具有不同的采样率。

最近，来自 Google DeepMind 的研究团队将多模态模型解耦成多个独立的、专门的自回归模型，根据各种模态的特征来处理输入。

具体来说，该研究提出了多模态模型 Mirasol3B。Mirasol3B 由时间同步模态（音频和视频）自回归组件，以及用于上下文模态的自回归组件组成。这些模态不一定在时间上对齐，但是按顺序排列的。

论文地址：https://arxiv.org/abs/2311.05698

Mirasol3B 在多模态基准测试中达到了 SOTA 水平，优于规模更大的模型。通过学习更紧凑的表征，控制音频 - 视频特征表征的序列长度，并根据时间对应关系进行建模，Mirasol3B 能够有效满足多模态输入的高计算要求。

方法简介

Mirasol3B 是一个音频 - 视频 - 文本多模态模型，其中将自回归建模解耦成时间对齐模态（例如音频、视频）的自回归组件，以及针对非时间对齐的上下文模态（例如文本）的自回归组件。Mirasol3B 使用交叉注意力权重来协调这些组件的学习进程。这种解耦使得模型内部的参数分布更合理，也为模态（视频和音频）分配了足够的容量，并使得整体模型更加轻量。

如下图 1 所示，Mirasol3B 主要由两个学习组件组成：自回归组件，旨在处理（几乎）同步的多模态输入，例如视频 + 音频，并及时组合输入。

该研究还提出将时间对齐的模态分割成时间段，在时间段中学习音频 - 视频联合表征。具体来说，该研究提出了一种名为「Combiner」的模态联合特征学习机制。「Combiner」融合了同一时间段中的模态特征，产生了更紧凑的表征。

「Combiner」从原始的模态输入中提取初级的时空表示，捕捉视频的动态特性，并结合与其共时的音频特征，模型可以在不同的速率接收多模态输入，在处理较长的视频时表现良好。

「Combiner」有效地满足了模态表征既要高效又要信息量丰富的需求。它可以充分涵盖视频与其他同时发生的模态中的事件和活动，并能够用于后续的自回归模型，学习长期依赖关系。

为了处理视频和音频信号，并适应更长的视频 / 音频输入，它们被分割成（在时间上大致同步）的小块，再通过「Combiner」学习联合视听表示。第二个组件处理上下文，或时间上未对齐的信号，如全局文本信息，这些信息通常仍然是连续的。它也是自回归的，并使用组合的潜在空间作为交叉注意力输入。

视频 + 音频学习组件有 3B 参数；没有音频的组件是 2.9B。多半参数用于音频 + 视频自回归模型。Mirasol3B 通常处理 128 帧的视频，也可以处理更长（例如 512 帧）的视频。

由于设计了分区和「Combiner」的模型架构，增加更多帧，或增加块的大小、数目等，只会使参数略有增加，解决了更长视频需要更多参数、更大的内存的问题。

实验及结果

该研究在标准 VideoQA 基准、长视频 VideoQA 基准和音频 + 视频基准上对 Mirasol3B 进行了测试评估。

在 VideoQA 数据集 MSRVTTQA 上的测试结果如下表 1 所示，Mirasol3B 超越了目前的 SOTA 模型，以及规模更大的模型，如 PaLI-X、Flamingo。

在长视频问答方面，该研究在 ActivityNet-QA、NExTQA 数据集上对 Mirasol3B 进行了测试评估，结果如下表 2 所示：

最后，该研究选择使用 KineticsSound、VGG-Sound、Epic-Sound 进行音频 - 视频基准测试，采用开放式生成评估，实验结果如下表 3 所示：

感兴趣的读者可以阅读论文原文，了解更多研究内容。