DRESS : Instructing Large Vision-Language Models to Align and Interact with Humans via Natural Lang

阅读总结报告

1. 研究背景

大型视觉-语言模型（LVLMs）能够理解视觉世界并根据指令生成用户友好的响应。这些模型通过结合大规模视觉指令微调和大型语言模型（LLMs）来实现。然而，现有的LVLMs在与人类偏好对齐和多轮交互能力方面存在局限性。

2. 过去方案和缺点

以往的LVLMs主要依赖于指令微调阶段来增强与人类偏好的对齐。但即使如此，它们仍然可能生成无用、幻觉或有害的响应。此外，尽管视觉指令微调数据通常以多轮对话格式结构化，但连续对话轮次之间的联系和依赖性较弱，这限制了LVLMs的有效多轮交互能力。

3. 本文方案和步骤

本文提出了DRESS，一个创新的大型视觉-语言模型，它利用来自LLMs的自然语言反馈（NLF）来增强其对齐和交互能力。DRESS通过将NLF分为批判性和精炼性两种类型来解决这些限制。批判性NLF用于识别响应的优缺点，以对齐LVLMs与人类偏好。精炼性NLF提供具体的改进建议，用于提高LVLMs在多轮交互中的交互能力。为了解决NLF的不可微分性质，本文推广了条件强化学习算法用于训练。

4. 本文创新点与贡献

• 提出了自然语言反馈（NLF）的新颖分类，特别是批判性和精炼性NLF，以改善LVLMs与人类偏好的对齐和交互能力。

• 通过训练模型在NLF条件下生成相应的响应，推广了条件强化学习算法，有效地结合了不可微分的NLF。

• 在开放性视觉问答、图像标题生成、对抗性提示以及多轮交互方面系统地评估了提出的模型DRESS，并与先前的SOTA（State-of-the-Art）模型相比，展示了在有帮助性、诚实性和无害性对齐方面的相对改进。

• 生产并开源了63K个涵盖3H方面的注释视觉-语言NLF样本，并为无害性对齐和评估LVLMs提供了4.7K个示例的数据集。

5. 本文实验

实验结果表明，与先前的SOTA模型相比，DRESS能够生成更有帮助（9.76%）、更诚实（11.52%）和更无害（21.03%）的响应，并在多轮交互中更有效地从反馈中学习以改进响应。

6. 实验结论

DRESS在与人类价值观对齐方面的表现优于以往的LVLMs，并且在多轮交互中展现出更好的交互能力，能够有效地从反馈中学习以实时改进响应。

7. 全文结论

本文通过利用NLF来增强LVLMs的对齐和交互能力，创建了一个NLF数据集，并创新地提供了两种类型的NLF：批判性和精炼性。通过推广条件强化学习，DRESS能够有效地与人类偏好对齐，并展示出更好的多轮交互能力。

阅读总结

本文提出了DRESS，这是一个通过自然语言反馈（NLF）来提高大型视觉-语言模型（LVLMs）与人类偏好对齐和交互能力的模型。DRESS通过将NLF分为批判性和精炼性两种类型，有效地利用了LLMs提供的反馈。实验结果表明，DRESS在多个评估任务上都优于现有的SOTA模型，特别是在多轮交互和无害性对齐方面。这项工作为LVLMs的发展提供了新的视角，并为未来的研究提供了有价值的数据集和方法。