3月27日，腾讯开源团队宣布推出了一项创新的多模态理解技术——HaploVL。这一技术旨在通过单个Transformer架构实现高效的多模态融合，显著提升AI在视觉和语言交互中的表现，特别是在细粒度视觉理解任务上。
在人工智能领域，多模态大模型（LMMs）近年来迅速崛起，它们能够实现复杂的视觉-语言对话和交互。然而，现有的多模态模型大多采用“视觉编码器 + 大语言模型”的组合架构，这种架构虽然有效，但在处理细粒度任务时存在不足。例如，预训练的视觉编码器(如CLIP)可能会忽略图像中的关键细节，如物体颜色或小目标位置，导致模型在某些任务上的表现不佳。此外，现有的统一架构模型(如Fuyu)虽然简化了流程，但需要大量的数据和计算资源来训练，且性能仍落后于组合式模型。
HaploVL的出现正是为了解决这些问题。它采用单Transformer架构，通过动态融合文本和视觉信息，让文本嵌入能够“捕捉”所需的视觉线索，同时显著减少了训练数据的需求。在性能上，HaploVL不仅能够与现有的组合式模型相媲美，还在细粒度视觉理解任务上表现出色。
HaploVL的架构设计充满巧思。它通过多模态嵌入层直接对图像和文本进行编码，并在模型前端设置了一个预解码器（视觉知识引擎），用于动态融合图文信息。这一设计类似于“雷达”，能够扫描图像中的细节，并捕捉图像内部的关联和多图之间的时序关系。后解码器(语言生成引擎)则基于融合后的特征生成自然语言回复，继承了大语言模型的语言能力，能够快速学习多模态关联并生成逻辑连贯的回答。
HaploVL的训练方法也颇具创新性。它采用了两阶段训练方法，首先在预训练阶段对模型进行初始化，然后在微调阶段对特定任务进行优化。这种训练方式不仅提高了模型的泛化能力，还减少了对大规模数据集的依赖。
在实验中，HaploVL在多项多模态基准测试中展现出优异的性能，尤其是在细粒度视觉理解任务上。例如，在边缘物体感知和推理任务中，HaploVL能够准确识别图像中的高亮区域，并生成与之相关的自然语言描述。这一能力在实际应用中具有重要意义，例如在自动驾驶、智能安防等领域，细粒度视觉理解能够帮助系统更准确地感知环境并做出决策。
Code: https://github.com/Tencent/HaploVLM
Arxiv: https://arxiv.org/abs/2503.14694
