《论语》中说：“知之为知之，不知为不知，是知也”。从神经网络兴起以来，人们就没有停止过对这种黑盒模型应用在生产环境的担心。在 AI 1.0 中大部分模型还至少会输出一个置信度得分可供参考；然而对于 AI 2.0 时代的 VLMs 来说，所有的结果以文本的形式吐出，这加重了人们对模型安全性的焦虑。让模型知道自己的能力边界，不要产生致命错误，这点十分必要，也是目前的难点。图表（柱状图，折线图，饼图）的信息结构化提取（SE）是对模型可靠性要求极高的任务之一，同时也是 VLM 难解的问题之一。下面是目前领先的一些 VLM 模型（GPT-4V、最新发布的 Reka Core、Gemini 1.5 Pro 以及国产的 Qwen-VL-Max）在图表解析上任务的表现。
经测试（所使用的 Chart 图片均为虚拟图片，不代表任何实际意义），目前这些模型对于 chart 正确理解还有所欠缺，特别是 chart 中的数值不能通过调用 OCR 简单获取的时候。为此所提出的 OneChart 选取图表 SE 这一任务，展示了一种简单有效的方法。仅通过一个辅助 token 和对应的辅助 decoder 设计，不仅增强了模型的特定能力，还能在推理时对模型的文本输出给出一个可靠性检查。文章所提的 OneChart 参数量仅 0.2B，但在 SE 任务中可以大幅领先目前的 1.3B～13B 模型。OneChart 还可以作为一种 Chart-Agent 来帮助现有的 LLM 或 VLM 更好的完成下游 QA 任务，例如 LLaVA1.6+OneChart 可以在 ChartQA 数据集上涨点 11.2。论文题目：
OneChart: Purify the Chart Structural Extraction via One Auxiliary Token
http://arxiv.org/abs/2404.09987
https://github.com/LingyvKong/OneChart
https://onechartt.github.io/
Chart 理解和推理能力是目前 VLM 研究中的重点之一。作者认为目前用 VLM 进行 Chart 解析有两部分需要改进：一是需要充分训练一个真正会看 chart 的 vision encoder；二是在 SE 任务中单纯对文本输出算交叉熵损失不是最优的，比如当 gt 是 7008 时，模型输出 70.8 和 7007 损失是一样的，但显然 7007 是相对可以接受的误差，特别是当 chart 图片中没有明确的数值标注的时候。如图 1，Onechart 的做法是引入了一个辅助 decoder，并设计 L1 loss 来进行监督。
OneChart 的模型结构如下图，主要包括 vision encoder、OPT-125M、Auxiliary decoder 三部分。Auxiliary decoder 由 3 层 MLP 组成，以 Auxiliary token 的 embedding 作为输入，输出 min-max 归一化后的 chart 数值结果。数值结果部分会计算 L1 loss，文本部分计算 cross-entropy loss，总 loss 是二者相加。训练分 3 个阶段，第一阶段 pretrain VLM，第二阶段 warm-up auxiliary decoder，第 3 阶段合起来做一次 finetune。由于 Autoregressive model 中的 attention 是 casual 的，Auxiliary token 中的信息可以被后面的 token 隐式的利用，进而增强文本预测中的精度，所以推理时可以选择丢弃辅助 decoder，简单地采用语言模型的输出。当然，在推理时也可以选择不丢弃辅助 decoder，而是用辅助 decoder 输出的结果和语言模型输出的结果进行可靠性校验：将语言模型输出结果中的数值 min-max 归一化后，与辅助 decoder 输出的结果计算 L1 距离。通过设置阈值判断模型输出的可靠性。更多的技术细节，请查看 OneChart 的论文。
性能展示
OneChart 提取图表信息的量化性能得分如下，其中 Structural Extraction 任务衡量的是模型提取 chart 主体部分 entity 和对应数值的准确性。可以看到 OneChart 的 AP@strict 显著优于其他模型，整体性能也是 SOTA 水平。下面这个表格展示的是推理时采用可靠性校验筛选出的 purified 预测和原始所有预测的性能 AP 对比。可以看出可靠性校验的筛选能力是显著的。模型推理效果如下：
作者还进行了 LLM 或 VLM 结合 OneChart 在 ChartQA 上的性能测试，可以看到 OneChart 输出可以让 LLaVA1.5 涨点 32.6，让 LLaVA1.6 涨点 11.2。这表明准确的感知是推理的基石，而现有的 VLMs 在 chart 感知上尚存在提升空间，OneChart 可以作为工具被 LLM/VLMs 调用来增强其在 chart 上的能力。
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：[email protected]
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
