米Microsoft、“ChatGPTの目と耳実装”の影で画像対応の生成AI「DeepSpeed-VisualChat」開発：Innovative Tech

[山下裕毅，ITmedia]

Innovative Tech：

このコーナーでは、2014年から先端テクノロジーの研究を論文単位で記事にしているWebメディア「Seamless」（シームレス）を主宰する山下裕毅氏が執筆。新規性の高い科学論文を山下氏がピックアップし、解説する。

Twitter: ＠shiropen2

　Microsoftに所属する研究者らが発表した論文「DeepSpeed-VisualChat: Multi-Round Multi-Image Interleave Chat via Multi-Modal Causal Attention」は、複数枚の画像とテキストを処理できる大規模言語モデル（LLM）を提案した研究報告である。DeepSpeed-VisualChatは最大70Bパラメータの言語モデルのサイズにおいて優れた拡張性を示した。

DeepSpeed-VisualChatで出力した一例

　米OpenAIは9月25日に、ChatGPTに音声および画像の認識機能を追加したと発表した。多くのメディアで取り上げられたこのニュースに隠れて、Microsoftも同日に画像認識能力を持つチャットAIを公表していた。

　既存のLLMモデルは、複数の画像とテキストを組み合わせた対話に対して十分なパフォーマンスを発揮しないという問題がある。研究チームはこの課題を解決するため、複数のテキストと画像入力をサポートするオープンソースフレームワーク「DeepSpeed-VisualChat」を提案した。

　このフレームワークは、画像の視覚的特徴を捉えるシステム「MiniGPT4」を基盤としている。また、視覚エンコーダーとして「QWen-VL」、言語モデルとして「LLaMa-2」を採用。特筆すべき点は、情報の中から特定の部分に焦点を当てる技術、すなわち「注意機構」を新しい方法で実装したことである。

　新たに導入された「Multi-Modal Causal Attention Mechanism」（MMCA）は、各モダリティに独立して注意の重みを計算する機能を持つ。これにより、異なる種類のデータ間の関連性を柔軟に捉えることができる。

　このメカニズムは、因果関係を持つデータの解釈を向上させる。これは、前のデータが後のデータに与える影響をより正確にモデル化することを示している。結果として、複数の画像とテキストを組み合わせて、的確な回答を生成できる。

　評価実験において、DeepSpeed-VisualChat、QWen-VL、SparklesChatの3つのモデルを比較した結果、DeepSpeed-VisualChatが他の手法よりも高い精度の結果を示すことを確認した。

DeepSpeed-VisualChat、QWen-VL、SparklesChatの出力結果の比較（1/2）

DeepSpeed-VisualChat、QWen-VL、SparklesChatの出力結果の比較（2/2）

Source and Image Credits: Zhewei Yao, Xiaoxia Wu, Conglong Li, Minjia Zhang, Heyang Qi, Olatunji Ruwase, Ammar Ahmad Awan, Samyam Rajbhandari, Yuxiong He. DeepSpeed-VisualChat: Multi-Round Multi-Image Interleave Chat via Multi-Modal Causal Attention.