主要观点总结
本文介绍了Meta最新发布的Transfusion模型，该模型能够训练生成文本和图像的统一模型，实现了语言模型和图像生成的大一统。文章详细阐述了Transfusion模型的工作原理、创新点、实验数据和结论。此外，还介绍了几位共同作者的研究背景和主要贡献。
关键观点总结
关键观点1:
关键观点2:
关键观点3:
关键观点4:
关键观点5:
正文
【新智元导读】
就在刚刚，Meta最新发布的Transfusion，能够训练生成文本和图像的统一模型了！完美融合Transformer和扩散领域之后，语言模型和图像大一统，又近了一步。也就是说，真正的多模态AI模型，可能很快就要来了！
Transformer和Diffusion，终于有了一次出色的融合。
自此，语言模型和图像生成大一统的时代，也就不远了！
这背后，正是Meta最近发布的Transfusion——一种训练能够生成文本和图像模型的统一方法。
论文地址：https://arxiv.org/abs/2408.11039
英伟达高级科学家Jim Fan盛赞：之前曾有很多尝试，去统一Transformer和Diffusion，但都失去了简洁和优雅。
现在，是时候来一次Transfusion，来重新激活这种融合了！
在X上，论文共一
Chunting
Zhou，为我们介绍了Transfusion其中的「玄机」。
为何它能让我们在一个模型中，同时利用两种方法的优势？
这是因为，Transfusion将语言建模（下一个token预测）与扩散相结合，这样，就可以在混合模态序列上训练单个Transformer。
研究者从头开始，在混合文本和图像数据上预训练了参数量高达70亿的Transfusion模型。
使用文本和图像数据的混合，他们建立了一系列单模态和跨模态基准的缩放定律。
实验表明，Transfusion在单模态和多模态基准测试中，相较于对图像进行量化并在离散图像token上训练语言模型，很明显具有更好的扩展性。
研究者发现，Transfusion能够生成与相似规模的扩散模型相媲美的高质量图像，而且，它同时也保持了强大的文本生成能力。
首先，全局因果注意力加上每个图像内的双向注意力，是至关重要的。
另外，引入模态特定的编码和解码层后，可以提高性能，并且可以将每个图像压缩到64甚至16个块！
总之，研究者成功地证明了，将Transfusion方法扩展到70亿参数和2万亿多模态token后，可以生成与类似规模的扩散模型和语言模型相媲美的图像和文本。
Transfusion为真正的多模态AI模型开启了激动人心的可能性。
这些模型可以无缝处理任何离散和连续模态的组合！无论是长篇视频生成、与图像或视频的交互式编辑/生成会话，我们都可以期待了。
生图效果秒杀DALL-E 2和Stable Diffusion
Transfusion的生图效果如何？让我们来检验一下。
以下这些，都是用在2万亿多模态token上训练的70亿参数Transfusion生成的图像——
在GenEval基准测试上，它直接超越了DALL-E 2和Stable Diffusion XL！
研究者训练了一个具有U-Net编码/解码层（2×2潜在像素块）的70亿参数模型，处理相当于2T tokens的数据，其中包括1T文本语料库tokens和35亿张图像及其标注。
表9显示，Transfusion在性能上与高性能图像生成模型如DeepFloyd相当，同时超越了先前发布的模型，包括SDXL。
虽然Transfusion在SD 3后面稍显逊色，但该模型通过反向翻译利用合成图像标注，将其GenEval性能在小规模上提升了6.5%（0.433→0.498）。
此外，Transfusion模型也可以生成文本，并且其性能与在相同文本数据分布上训练的Llama模型相当。
以下这些，则是用微调后的70亿参数Transfusion模型编辑的图像——
研究者使用仅包含8000个公开可用图像编辑示例的数据集对70亿参数模型进行了微调，其中每个示例包括一个输入图像、一个编辑提示词和一个输出图像。
对EmuEdit测试集中随机示例的人工检查表明，微调的Transfusion模型可以按照指示进行图像编辑。也就是说，Transfusion模型确实可以适应并泛化到新的模态组合。
我们都知道，多模态生成模型需要能够感知、处理和生成离散元素（如文本或代码）和连续元素（例如图像、音频和视频数据）。
不过，离散元素和连续元素，却很难在同一个模型中大一统起来。
在离散模态中，是语言模型占主导地位，它靠的是在下一个token预测目标上训练的。
而在生成连续模态上，则是扩散模型及其泛化一直处于最前沿。
此前，学界曾尝试了多种方法，包括扩展语言模型，以使用扩散模型作为工具，或者通过将预训练的扩散模型移植到语言模型上。
此外，还有人通过量化连续模态，在离散tokens上训练标准语言模型，从而简化模型架构。然而这样做的代价，就是信息的丢失。
而Meta的研究者在这项工作中，通过训练单个模型，来同时预测离散文本tokens和扩散连续图像，他们成功地做到了完全整合两种模态，而不丢失信息。
这是一种训练单一统一模型的方法，可以无缝理解和生成离散和连续的模态。
研究者的主要创新就在于，他们针对不同的模态使用了不同的损失——文本使用语言建模，图像使用扩散——从而在共享的数据和参数上进行训练
研究者在50%的文本和50%的图像数据上预训练了一个Transformer模型，不过对于两种模态来说，分别使用了不同的目标。
前者的目标是，预测文本的下一个token；而后者的目标，则是图像的扩散。
在每个训练步骤中，模型都会同时接触到这两种模态和损失函数。标准嵌入层将文本tokens转换为向量，而块化层（patchification layer）则将每个图像表征为一系列块向量。
随后，研究者对文本tokens应用因果注意力，对图像块应用双向注意力。
在推理时，他们引入了一种解码算法，它结合了语言模型的文本生成和扩散模型的图像生成的标准实践。
从此，有望训练真正的多模态模型
在文本到图像生成中，研究者发现：Transfusion在计算量不到三分之一的情况下，FID和CLIP分数均超过了Chameleon的离散化方法。
在控制FLOPs的情况下，Transfusion的FID分数比Chameleon模型低约2倍。
在图像到文本生成中，也可以观察到类似的趋势：Transfusion在21.8%的FLOPs下与Chameleon匹敌。
令人惊讶的是，Transfusion在学习文本到文本预测方面也更有效，在大约50%到60%的Chameleon FLOPs下实现了文本任务的困惑度平价。
同时，研究者观察到：图像内的双向注意力非常重要，如果用因果注意力替代它，就会损害文本到图像生成。
他们还发现，通过添加U-Net上下块来编码和解码图像，就可以使Transfusion在相对较小的性能损失下，压缩更大的图像块，从而能将服务成本降低到多达64倍。
最后，研究者证明了：Transfusion可以生成与其他扩散模型相似质量的图像。
他们在2万亿tokens上，从零开始训练了一个7B参数的Transformer，它增强了U-Net的下采样/上采样层（0.27B参数）。
在这2万亿tokens中，包含1万亿的文本tokens，以及大约5个周期的692M图像及标注，相当于另外1万亿个patches/tokens。
在GenEval基准上，Transfusion模型优于其他流行模型，如DALL-E 2和SDXL。
而且，与那些图像生成模型不同的是，它还可以生成文本，在文本基准上达到了Llama 1级别的性能水平。
总之，实验表明：Transfusion是一种十分有前途的方法，可以用于训练真正的多模态模型。
数据表征
研究者在两种模态上进行了数据实验：离散文本和连续图像。
每个文本字符串被标记化为来自固定词汇表的离散token序列，其中每个token被表征为一个整数。
每个图像被编码为使用VAE的潜在块，其中每个块被表征为一个连续向量；这些块从左到右、从上到下排序，以从每个图像创建一个块向量序列。
对于混合模态的例子，研究者在将图像序列插入文本序列之前，用特殊的图像开始（BOI）和图像结束（EOI）token包围每个图像序列。
因此，就得到了一个可能同时包含离散元素（表征文本token的整数）和连续元素（表征图像块的向量）的单一序列。
模型架构
模型的大部分参数属于一个单一的Transformer，它会处理每个序列，无论模态如何。
Transformer将一个高维向量序列作为输入，并生成类似的向量作为输出。
为了将数据转换到这个空间，研究者使用了具有不共享参数的轻量级模态组件。
对于文本，这些自己组件是嵌入矩阵，会将每个输入整数转换为向量空间，并将每个输出向量转换为词汇表上的离散分布。
对于图像，研究者则尝试了两种方法，将k×k块向量的局部窗口压缩为单个Transformer向量（反之亦然）：（1）一个简单的线性层，以及（2）U-Net的上下块。
研究者使用预训练的VAE（变分自编码器）将图像和潜在表征进行互相转换，然后通过简单的线性层或U-Net下采样块，将其转换为patch表征
Transfusion注意力
语言模型通常使用因果掩码，来有效地计算整个序列的损失和梯度，只需一次前向-后向传递，而不会泄露未来token的信息。
相比之下，图像通常会使用不受限制的（双向）注意力来建模。
而Transfusion通过对序列中的每个元素应用因果注意力，并在每个单独图像的元素内应用双向注意力，来结合这两种注意力模式。
这样，每个图像块就可以在关注同一图像中其他块的同时，只关注序列中先前出现的文本或其他图像的块。
在因果掩码上扩展后，Transfusion就允许同一图像的patch相互为条件
训练目标
为了训练模型，研究者将语言建模目标LLM应用于文本token的预测，将扩散目标LDDPM应用于图像块的预测。
LM损失是逐个token计算的，而扩散损失是逐个图像计算的，这可能跨越序列中的多个元素（图像块）。
具体来说，他们根据扩散过程，向每个输入潜在图像x0添加噪声ε，以在块化之前产生xt，然后计算图像级别的扩散损失。
通过简单地将每种模态上计算出的损失与平衡系数λ结合，研究者合并了这两种损失：
这个公式，也是一个更广泛想法的具体实例：将离散分布损失和连续分布损失结合，就可以优化同一模型。
推理
为了反映训练目标，解码算法也需要在两种模式之间切换：LM和扩散。
在LM模式中，从预测分布中逐个token进行采样。当采样到一个BOI token时，解码算法切换到扩散模式。
具体来说，这需要将形式为n个图像块的纯噪声xT附加到输入序列中（取决于所需的图像大小），并在T步内去噪。
在每一步t中，噪声会被预测并使用它生成x_(t−1)，然后将其覆盖在序列中的x_t上。即，模型始终基于噪声图像的最后一个时间步进行条件处理，无法关注之前的时间步。
一旦扩散过程结束，就将一个EOI token附加到预测的图像上，并切换回LM模式。
与Chameleon的比较
研究者在不同模型规模（N）和token计数（D）下，比较了Transfusion与Chameleon，并使用两者的组合作为FLOPs（6ND）的代理。
为了简化和参数控制，这些实验中的Transfusion变体使用简单的线性图像编码器/解码器，块大小为2×2，以及双向注意力。
如图5所示，在每个基准测试中，Transfusion始终表现出比Chameleon更好的scaling law。
受参数、数据和计算控制的不同规模的Transfusion和Chameleon模型的性能，其中所有轴都是对数的
表3则显示了模型的评估结果，以及平价FLOP比率。
其中，平价FLOP比率用来估算相对计算效率：Transfusion和Chameleon达到相同性能水平所需的FLOPs数量之比。
计算效率的差异在图像生成中特别显著，其中FID Transfusion以1/34的计算量实现了与Chameleon的平价。
最大（7B）Transfusion和Chameleon模型在受控环境中的性能，两个模型均在0.5T token上进行训练
令人惊讶的是，纯文本基准测试也显示出Transfusion的更好性能，即使Transfusion和Chameleon以相同方式建模文本。
