多模态模型训练方法、装置、电子设备及可读存储介质与流程

1.本技术属于深度学习技术领域，尤其涉及一种多模态模型训练方法、装置、电子设备及可读存储介质。


背景技术：

2.目前，多模态模型是指利用多种不同的数据类型(例如文本、图像、语音、视频等)进行训练和推理的机器学习模型。它将不同模态的信息融合在一起，以更好地模拟人类的感知和认知过程。
3.多模态模型融合视觉信息和语言信息的方法为将视觉信息与语言信息在隐状态空间下进行信息对齐。但这种融合方法会在对齐视觉信息的时候产生推理损失。为了弥补对齐视觉信息的时候产生的推理损失，多模态模型需要庞大的模型容量及数据量。


技术实现要素：

4.本技术实施例提供了一种多模态模型训练方法、装置、电子设备、可读存储介质及计算机程序产品，可以解决多模态模型为弥补对齐视觉信息产生的推理损失，多模态模型需要庞大的模型容量及数据量的问题。
5.第一方面，本技术实施例提供了一种多模态模型训练方法，包括：
6.获取图像描述样本，所述图像描述样本包括第一图像样本及对应的文本描述；
7.将所述第一图像样本输入至图像处理模型，获得所述图像处理模型输出的第一图像信息；
8.将第一指令输入至多模态模型，训练所述多模态模型，所述第一指令包括所述第一图像信息和对应的所述文本描述；
9.在所述多模态模型中，根据所述文本描述确定第一文本信息；
10.对齐所述第一图像信息和所述第一文本信息后，根据对齐后第一图像信息和所述第一文本信息确定对应所述第一图像样本的第一文本答案；
11.当所述多模态模型的全局损失值小于预设阈值，获得已训练多模态模型，所述全局损失值包括所述第一图像信息与所述第一文本信息之间的对齐损失值及所述第一文本答案与所述文本描述之间的损失值。
12.在一个实施例中，所述将所述第一图像样本输入至图像处理模型，包括：
13.将所述第一图像样本分成多个图像块；
14.将所述第一图像样本的所述图像块和对应所述第一图像信息的令牌，输入至所述图像处理模型。
15.在一个实施例中，所述根据所述文本描述确定第一文本信息，包括：
16.在所述多模态模型中，基于预设掩码，从所述第一指令中获取所述文本描述；
17.对所述文本描述进行处理，获得所述第一文本信息。
18.在一个实施例中，所述对齐所述第一图像信息和所述第一文本信息，包括：
19.根据所述第一图像信息和所述第一文本信息，构建样本矩阵，所述样本矩阵中对角线上元素为正样本，所述样本矩阵中其余元素为负样本，所述正样本包括所述第一图像信息和所述第一文本信息，所述负样本包括所述第一图像信息和篡改后第一文本信息；
20.根据所述样本矩阵，将所述第一图像信息与所述第一文本信息进行对齐。
21.在一个实施例中，所述第一图像信息与所述第一文本信息之间的对齐损失值包括所述正样本的损失值和所述负样本的损失值。
22.在一个实施例中，所述根据对齐后第一图像信息和所述第一文本信息确定对应所述第一图像样本的第一文本答案之后，还包括：
23.获取图像问答样本，所述图像问答样本包括第二图像样本和对应的问答信息；
24.将所述第二图像样本输入至所述图像处理模型，获得所述图像处理模型输出的第二图像信息；
25.将第二指令输入至所述多模态模型，训练所述多模态模型，所述第二指令包括所述第二图像信息和对应的问答信息；
26.在所述多模态模型中，根据所述问答信息确定第二文本信息；
27.根据所述第二图像信息和所述第二文本信息，确定对应所述第二图像样本的第二文本答案；
28.其中，所述全局损失值还包括所述第二文本答案与答案样本之间的损失值，所述问答信息包括问题样本和所述答案样本。
29.第二方面，本技术实施例提供了一种智能体控制方法，包括：
30.获取待处理图像及对应的待处理文本描述；
31.将所述待处理图像和所述待处理文本描述输入至已训练多模态模型，获得所述已训练多模态模型输出的第三文本答案，所述已训练多模态模型是通过第一方面中任一项所述的方法训练获得的；
32.利用所述第三文本答案，指示llm从基元动作集的各基元动作中选取待执行动作；
33.向智能体发送所述待执行动作，以使所述智能体执行所述待执行动作。
34.第三方面，本技术实施例提供了一种多模态模型训练装置，包括：
35.获取模块，用于获取图像描述样本，所述图像描述样本包括第一图像样本及对应的文本描述；
36.图像处理模块，用于将所述第一图像样本输入至图像处理模型，获得所述图像处理模型输出的第一图像信息；
37.训练模块，用于将第一指令输入至多模态模型，训练所述多模态模型，所述第一指令包括所述第一图像信息和对应的所述文本描述；
38.还用于在所述多模态模型中，根据所述文本描述确定第一文本信息；
39.还用于对齐所述第一图像信息和所述第一文本信息后，根据对齐后第一图像信息及所述第一文本信息确定对应所述第一图像样本的第一文本答案；
40.还用于当所述多模态模型的全局损失值小于预设阈值，获得已训练多模态模型，所述全局损失值包括所述第一图像信息与所述第一文本信息之间的对齐损失值及所述第一文本答案与所述文本描述之间的损失值。
41.第四方面，本技术实施例提供了一种电子设备，包括存储器、处理器以及存储在所
述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面或第二方面中任一项所述的方法。
42.第五方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面或第二方面中任一项所述的方法。
43.第六方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面或第二方面中任一项所述的方法。
44.本技术实施例与现有技术相比存在的有益效果是：
45.本技术实施例包括将所述第一图像样本输入至图像处理模型，获得图像处理模型输出的第一图像信息；将第一指令输入至多模态模型，训练多模态模型，第一指令包括第一图像信息和对应的文本描述；在多模态模型中，根据文本描述确定第一文本信息；对齐第一图像信息和第一文本信息后，根据对齐后第一图像信息及第一文本信息确定对应第一图像样本的第一文本答案，通过增加第一图像信息和第一文本信息，以使多模态模型基于对比学习将第一图像信息和第一文本信息对齐，提高了视觉信息与语言信息对齐的速度，使得多模态模型降低对庞大的模型容量及数据量的需求。
附图说明
46.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1是本技术一实施例提供的多模态模型训练方法的第一种流程示意图；
48.图2是本技术一实施例提供的多模态模型训练方法的第二种流程示意图；
49.图3是本技术一实施例提供的智能体控制方法的流程示意图；
50.图4是本技术一实施例提供的多模态模型训练装置的结构示意图；
51.图5是本技术一实施例提供的电子设备的结构示意图。
具体实施方式
52.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
53.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
54.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
55.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确
定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0056]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0057]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0058]
图1是本技术一实施例提供的多模态模型训练方法的第一种流程示意图。
[0059]
如图1所示，所述方法，包括：
[0060]
s11：获取图像描述样本。
[0061]
其中，图像描述样本包括第一图像样本及对应的文本描述。
[0062]
在应用中，预先构建图像描述样本数据库，图像描述样本包括第一图像样本及对应的文本描述。示例的，第一图像样本包括一只猫和一只狗，文本描述为有一只猫和一只狗。从图像描述样本数据库中获取图像描述样本。
[0063]
s12：将第一图像样本输入至图像处理模型，获得图像处理模型输出的第一图像信息。
[0064]
在应用中，将第一图像样本输入至图像处理模型，包括：
[0065]
s121：将第一图像样本分成多个图像块。
[0066]
s122：将第一图像样本的图像块和对应第一图像信息的令牌，输入至图像处理模型。
[0067]
其中，第一图像信息用于表征第一图像样本的全局信息或整体描述。通过设置第一图像信息的令牌，使得图像处理模型对图像块处理后输出的是第一图像信息。因为图像处理模型对图像块处理，使得第一图像样本的信息经过多次整合，所以第一图像信息可以表征第一图像样本的全局信息或整体描述。
[0068]
示例的，图像处理模型为图像vit(vision transformer)。图像vit共12层。将第一图像样本划分成256个块，设置第一图像信息的令牌：token《cls_img》。将该令牌的位置编码设为0位置，将图像块的位置编码设为1至256位置。经过12层的信息抽取，形成embedding序列，输出0位置的embedding信息。0位置的embedding信息为《cls_img》的内容，即第一图像信息。
[0069]
s13：将第一指令输入至多模态模型，训练多模态模型。
[0070]
其中，第一指令包括第一图像信息和对应的文本描述。
[0071]
在一种可能的实现方式中，第一指令可表示为“请描述这张图像《|cls_img|》《img》《answer》《|end_answer|》《|cls_answer|》”。《|cls_img|》的内容为第一图像信息，《img》的内容为第一图像样本，《answer》的内容为对应第一图像信息的文本描述，《|end_answer|》表示回答结束，不用于特征融合，token《|cls_answer|》为第一文本信息的令牌。
[0072]
s14：在多模态模型中，根据文本描述确定第一文本信息。
[0073]
在一种可能的实现方式中，根据第一文本信息的令牌token《|cls_answer|》和对应的掩码，从文本描述中获取第一文本信息。
[0074]
s15：对齐第一图像信息和第一文本信息后，根据对齐后第一图像信息和第一文本信息确定对应第一图像样本的第一文本答案。
[0075]
在应用中，获得第一图像信息和第一文本信息后，基于对比学习，对第一图像信息和第一文本信息进行对齐处理，实现视觉语言对齐，使得对齐后第一图像信息和第一文本信息在向量空间中距离差小于预设距离。对齐后第一图像信息具备语言性质，能够被模型理解。
[0076]
根据对齐后第一图像信息和第一文本信息进行预测，获得对应第一图像样本的第一文本答案。
[0077]
s16：当多模态模型的全局损失值小于预设阈值，获得已训练多模态模型。
[0078]
其中，全局损失值包括第一图像信息与第一文本信息之间的对齐损失值及第一文本答案与文本描述之间的损失值。
[0079]
在应用中，通过计算第一图像信息与第一文本信息之间的内积，获得对齐损失值。通过计算第一文本答案与文本描述之间的交叉熵，获得第一文本答案与文本描述之间的损失值。
[0080]
其中，预设阈值可根据实际应用场景设置。
[0081]
本技术实施例包括将所述第一图像样本输入至图像处理模型，获得图像处理模型输出的第一图像信息；将第一指令输入至多模态模型，训练多模态模型，第一指令包括第一图像信息和对应的文本描述；在多模态模型中，根据文本描述确定第一文本信息；对齐第一图像信息和第一文本信息后，根据对齐后第一图像信息及第一文本信息确定对应第一图像样本的第一文本答案，通过增加第一图像信息和第一文本信息，以使多模态模型基于对比学习将第一图像信息和第一文本信息对齐，提高了视觉信息与语言信息对齐的速度，使得多模态模型降低对庞大的模型容量及数据量的需求。
[0082]
在一个实施例中，步骤s14，包括：
[0083]
s141：在多模态模型中，基于预设掩码，从第一指令中获取文本描述。
[0084]
在应用中，因为token《|cls_answer|》位于《|cls_img|》《img》《answer》《|end_answer|》《|cls_answer|》的末尾，使得token《|cls_answer|》进行注意力计算会关注《|cls_img|》《img》《answer》《|end_answer|》，需先预先设置token《|cls_answer|》的掩码，使得token《|cls_answer|》在进行注意力计算只关注《answer》，只与《answer》交流。该掩码的长度与《answer》的长度相同。
[0085]
s142：对文本描述进行处理，获得第一文本信息。
[0086]
在应用中，token《|cls_answer|》在进行注意力计算后，《|cls_answer|》的内容可表示《answer》的信息，获得第一文本信息。
[0087]
本技术实施例通过基于预设掩码，从第一指令中获取文本描述，对文本描述进行处理，获得第一文本信息，能够准确从第一指令中获取文本描述，以能根据文本描述确定第一文本信息。
[0088]
在一个实施例中，对齐第一图像信息和第一文本信息，包括：
[0089]
s21：根据第一图像信息和第一文本信息，构建样本矩阵，样本矩阵中对角线上元
素为正样本，样本矩阵中其余元素为负样本。
[0090]
其中，正样本包括第一图像信息和第一文本信息，负样本包括第一图像信息和篡改后第一文本信息。
[0091]
在应用中，基于对比学习，构建包括正负样本矩阵，以使多模态模型学习且对齐第一图像信息和第一文本信息。
[0092]
示例的，第一图像信息对应的第一文本信息为一句话。该句话被篡改后获得篡改后第一文本信息。将样本矩阵的行设置为图像，列设置为文本，在样本矩阵的对角线上的元素设为正样本，其他位置设为负样本。
[0093]
s21：根据样本矩阵，将第一图像信息与第一文本信息进行对齐。
[0094]
在应用中，根据样本矩阵，多模态模型进行学习，以使正样本中的第一图像信息与第一文本信息接近，负样本中的第一图像信息与篡改后第一文本信息远离，即使得对齐后第一图像信息和第一文本信息在向量空间中距离差小于预设距离。
[0095]
在一种可能的实现方式中，在多模态模型的中间层进行视觉语言对齐步骤。
[0096]
对应的，第一图像信息与第一文本信息之间的对齐损失值包括正样本的损失值和负样本的损失值。
[0097]
其中，将正样本中第一图像信息与第一文本信息之间的内积作为正样本的损失值，且设内积越大损失值越小。将负样本中第一图像信息与篡改后第一文本信息之间的内积作为负样本的损失值，且设内积越大损失值越大。
[0098]
本技术实施例通过根据第一图像信息和第一文本信息，构建样本矩阵，样本矩阵中对角线上元素为正样本，样本矩阵中其余元素为负样本，根据样本矩阵，将第一图像信息与第一文本信息进行对齐，使得多模态模型能够更好学习第一图像信息和第一文本信息，以更好对齐第一图像信息和第一文本信息。
[0099]
图2是本技术一实施例提供的多模态模型训练方法的第二种流程示意图。
[0100]
如图2所示，步骤s14之后，还包括：
[0101]
s31：获取图像问答样本。
[0102]
其中，图像问答样本包括第二图像样本和对应的问答信息。问答信息包括问题样本和答案样本。
[0103]
在应用中，预先设置图像问答样本数据库，该数据库可作为多模态模型训练库的一个补充，也可对多模态模型进行微调，以使多模态模型更能理解图像。图像问答样本包括第二图像样本和对应的问答样本。示例的，第二图像样本包括一只猫和一只狗。问答样本包括图片中有什么？有一只猫和一只狗。从图像问答样本数据库中获取图像问答样本。
[0104]
其中，第二图像样本和第一图像样本可相同或不同。
[0105]
s32：将第二图像样本输入至图像处理模型，获得图像处理模型输出的第二图像信息。
[0106]
在应用中，将第一图像样本输入至图像处理模型，包括：
[0107]
s321：将第二图像样本分成多个图像块。
[0108]
s322：将第二图像样本的图像块和对应第二图像信息的令牌，输入至图像处理模型。
[0109]
其中，第二图像信息用于表征第二图像样本的全局信息或整体描述。通过设置第
二图像信息的令牌，使得图像处理模型对图像块处理后输出的是第二图像信息。因为图像处理模型对图像块处理，使得第一图像样本的信息经过多次整合，所以第二图像信息可以表征第一图像样本的全局信息或整体描述。
[0110]
s33：将第二指令输入至多模态模型，训练多模态模型。
[0111]
其中，第二指令包括第二图像信息和对应的问答信息。
[0112]
在一种可能的实现方式中，第二指令可表示为“请根据图片《|cls_img|》《img》回答《visual question》《answer》《|end_answer|》《|cls_answer|》”。《|cls_img|》的内容为第二图像信息，《img》的内容为第二图像样本，《visual question》《answer》的内容为对应第二图像信息的问答信息，《|end_answer|》表示回答结束，不用于特征融合，token《|cls_answer|》为第二文本信息的令牌。
[0113]
s34：在多模态模型中，根据问答信息确定第二文本信息。
[0114]
在应用中，步骤s34，包括：
[0115]
s341：在多模态模型中，基于预设掩码，从第二指令中获取答案样本。
[0116]
在应用中，因为token《|cls_answer|》位于《|cls_img|》《img》回答《visual question》《answer》《|end_answer|》《|cls_answer|》的末尾，使得token《|cls_answer|》进行注意力计算会关注《|cls_img|》《img》回答《visual question》《answer》《|end_answer|》，需先预先设置token《|cls_answer|》的掩码，使得token《|cls_answer|》在进行注意力计算只关注《answer》，只与《answer》交流。该掩码的长度与《answer》的长度相同。
[0117]
s342：对答案样本进行处理，获得第二文本信息。
[0118]
在应用中，token《|cls_answer|》在进行注意力计算后，《|cls_answer|》的内容可表示《answer》的信息，获得第二文本信息。
[0119]
s35：根据第二图像信息和第二文本信息，确定对应第二图像样本的第二文本答案。
[0120]
在应用中，多模态模型根据第二图像信息和第二文本信息进行预测，获得对应第二图像样本的第二文本答案。
[0121]
对应的，全局损失值还包括第二文本答案与答案样本之间的损失值。
[0122]
在应用中，计算第二文本答案与答案样本之间的交叉熵，获得第二文本答案与答案样本之间的损失值。即全局损失值包括第一图像信息与第一文本信息之间的对齐损失值、第一文本答案与文本描述之间的损失值及第二文本答案与答案样本之间的损失值。
[0123]
本技术实施例通过获取图像问答样本，图像问答样本包括第二图像样本和对应的问答样本；将第二图像样本输入至图像处理模型，获得图像处理模型输出的第二图像信息；将第二指令输入至多模态模型，训练多模态模型，第二指令包括第二图像信息和对应的问答信息；在多模态模型中，根据问答信息确定第二文本信息；根据第二图像信息和第二文本信息，确定对应第二图像样本的第二文本答案，对多模态模型进行训练，结合两个数据库对多模态模型训练，以使多模态数据库更能理解图像。
[0124]
图3是本技术一实施例提供的智能体控制方法的流程示意图。如图3所示，所述方法，包括：
[0125]
s41：获取待处理图像及对应的待处理文本描述。
[0126]
其中，待处理图像为通过传感器或摄像设备采集的外部环境的图像。外部环境为
智能体所操作的目标所在的环境。
[0127]
示例的，待处理图像为一张图像，待处理文本描述包括至少一句话。
[0128]
s42：将待处理图像和待处理文本描述输入至已训练多模态模型，获得已训练多模态模型输出的第三文本答案。
[0129]
其中，已训练多模态模型是通过上述实施例所述的多模态模型训练方法训练获得的。
[0130]
在应用中，已训练多模态模型根据待处理图像和待处理文本描述进行预测，获得对应待处理图像的第三文本答案。
[0131]
s43：利用第三文本答案，指示llm从基元动作集的各基元动作中选取待执行动作。
[0132]
在应用中，基于第三文本答案构建高级指令，高级指令表示为“用户命令+请根据第三文本答案和以下基元动作《action1》《action2》《action3》.......选择一个动作执行”。将高级指令输入至llm，获得llm输出的待执行动作。
[0133]
在智能体执行待执行动作后，若未完成用户命令，则重构高级指令，获得重构后高级指令。重构后高级指令表示为“用户指令+请根据第三文本答案和以下基元动作《action1》《action2》《action3》.......选择一个动作执行，注意已经执行1.智能体已执行动作”。将重构高级指令输入至llm，获得llm输出的待执行动作。以此类推，直至完成用户命令。
[0134]
s44：向智能体发送待执行动作，以使智能体执行待执行动作。
[0135]
在应用中，智能体为可执行待执行动作的智能设备，例如机械臂，机器人等。
[0136]
本技术实施例通过获取待处理图像及对应的待处理文本描述；将待处理图像和待处理文本描述输入至已训练多模态模型，获得已训练多模态模型输出的第三文本答案，利用第三文本答案，指示llm从基元动作集的各基元动作中选取待执行动作；向智能体发送待执行动作，以使智能体执行待执行动作，使得llm能够与环境进行交互，以使环境参与至llm推理中，从而llm能够在环境中选取对智能体最有利的决策。
[0137]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0138]
对应于上文实施例所述的方法，为了便于说明，仅示出了与本技术实施例相关的部分。
[0139]
图4是本技术一实施例提供的多模态模型训练装置的结构示意图。如图4所示，所述装置，包括：
[0140]
获取模块10，用于获取图像描述样本，图像描述样本包括第一图像样本及对应的文本描述。
[0141]
图像处理模块11，用于将第一图像样本输入至图像处理模型，获得图像处理模型输出的第一图像信息。
[0142]
训练模块12，用于将第一指令输入至多模态模型，训练多模态模型，第一指令包括第一图像信息和对应的文本描述；
[0143]
还用于在多模态模型中，根据文本描述确定第一文本信息；
[0144]
还用于对齐第一图像信息和第一文本信息后，根据第一图像信息及第一文本信息确定对应第一图像样本的第一文本答案；
[0145]
还用于当多模态模型的全局损失值小于预设阈值，获得已训练多模态模型，全局损失值包括第一图像信息与第一文本信息之间的对齐损失值及第一文本答案与文本描述之间的损失值。
[0146]
在一个实施例中，图像处理模块，具体用于将第一图像样本分成多个图像块；将第一图像样本的图像块和对应第一图像信息的令牌，输入至图像处理模型。
[0147]
在一个实施例中，训练模块，具体用于在多模态模型中，基于预设掩码，从第一指令中获取文本描述；对文本描述进行处理，获得第一文本信息。
[0148]
在一个实施例中，训练模块，具体用于根据第一图像信息和第一文本信息，构建样本矩阵，样本矩阵中对角线上元素为正样本，样本矩阵中其余元素为负样本，正样本包括第一图像信息和第一文本信息，负样本包括第一图像信息和篡改后第一文本信息；根据样本矩阵，将第一图像信息与第一文本信息进行对齐。
[0149]
在一个实施例中，训练模块，还用于获取图像问答样本，图像问答样本包括第二图像样本和对应的问答信息；将第二图像样本输入至图像处理模型，获得图像处理模型输出的第二图像信息；将第二指令输入至多模态模型，训练多模态模型，第二指令包括第二图像信息和对应的问答信息；在多模态模型中，根据问答信息确定第二文本信息；根据第二图像信息和第二文本信息，确定对应第二图像样本的第二文本答案；其中，全局损失值还包括第二文本答案与答案样本之间的损失值，问答信息包括问题样本和答案样本。
[0150]
在一个实施例中，智能体控制装置，包括：
[0151]
获取模块，用于获取待处理图像及对应的待处理文本描述。
[0152]
答案预测模块，用于将待处理图像和待处理文本描述输入至已训练多模态模型，获得已训练多模态模型输出的第三文本答案，已训练多模态模型是通过上述实施例的多模态训练方法训练获得的。
[0153]
执行模块，用于利用第三文本答案，指示llm从基元动作集的各基元动作中选取待执行动作。
[0154]
还用于向智能体发送待执行动作，以使智能体执行待执行动作。
[0155]
图5为本技术一实施例提供的电子设备的结构示意图。如图5所示，该实施例的电子设备2包括：至少一个处理器20(图5中仅示出一个)、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序22，所述处理器20执行所述计算机程序22时实现上述任意各个方法实施例中的步骤。
[0156]
所述电子设备2可以是桌上型计算机及云端服务器等计算设备。该电子设备2可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图5仅仅是电子设备2的举例，并不构成对电子设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0157]
所称处理器20可以是中央处理单元(central processing unit，cpu)，该处理器20还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0158]
所述存储器21在一些实施例中可以是所述电子设备2的内部存储单元，例如电子设备2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述电子设备2的外部存储设备，例如所述电子设备2上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器21还可以既包括所述电子设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
[0159]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0160]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0161]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
[0162]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
[0163]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0164]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0165]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出
本技术的范围。
[0166]
在本技术所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0167]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0168]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种多模态模型训练方法，其特征在于，包括：获取图像描述样本，所述图像描述样本包括第一图像样本及对应的文本描述；将所述第一图像样本输入至图像处理模型，获得所述图像处理模型输出的第一图像信息；将第一指令输入至多模态模型，训练所述多模态模型，所述第一指令包括所述第一图像信息和对应的所述文本描述；在所述多模态模型中，根据所述文本描述确定第一文本信息；对齐所述第一图像信息和所述第一文本信息后，根据对齐后第一图像信息和所述第一文本信息确定对应所述第一图像样本的第一文本答案；当所述多模态模型的全局损失值小于预设阈值，获得已训练多模态模型，所述全局损失值包括所述第一图像信息与所述第一文本信息之间的对齐损失值及所述第一文本答案与所述文本描述之间的损失值。2.根据权利要求1所述的方法，其特征在于，所述将所述第一图像样本输入至图像处理模型，包括：将所述第一图像样本分成多个图像块；将所述第一图像样本的所述图像块和对应所述第一图像信息的令牌，输入至所述图像处理模型。3.根据权利要求1所述的方法，其特征在于，所述根据所述文本描述确定第一文本信息，包括：在所述多模态模型中，基于预设掩码，从所述第一指令中获取所述文本描述；对所述文本描述进行处理，获得所述第一文本信息。4.根据权利要求1所述的方法，其特征在于，所述对齐所述第一图像信息和所述第一文本信息，包括：根据所述第一图像信息和所述第一文本信息，构建样本矩阵，所述样本矩阵中对角线上元素为正样本，所述样本矩阵中其余元素为负样本，所述正样本包括所述第一图像信息和所述第一文本信息，所述负样本包括所述第一图像信息和篡改后第一文本信息；根据所述样本矩阵，将所述第一图像信息与所述第一文本信息进行对齐。5.根据权利要求4所述的方法，其特征在于：所述第一图像信息与所述第一文本信息之间的对齐损失值包括所述正样本的损失值和所述负样本的损失值。6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据对齐后第一图像信息和所述第一文本信息确定对应所述第一图像样本的第一文本答案之后，还包括：获取图像问答样本，所述图像问答样本包括第二图像样本和对应的问答信息；将所述第二图像样本输入至所述图像处理模型，获得所述图像处理模型输出的第二图像信息；将第二指令输入至所述多模态模型，训练所述多模态模型，所述第二指令包括所述第二图像信息和对应的问答信息；在所述多模态模型中，根据所述问答信息确定第二文本信息；根据所述第二图像信息和所述第二文本信息，确定对应所述第二图像样本的第二文本答案；
其中，所述全局损失值还包括所述第二文本答案与答案样本之间的损失值，所述问答信息包括问题样本和所述答案样本。7.一种智能体控制方法，其特征在于，包括：获取待处理图像及对应的待处理文本描述；将所述待处理图像和所述待处理文本描述输入至已训练多模态模型，获得所述已训练多模态模型输出的第三文本答案，所述已训练多模态模型是通过权利要求1至6任一项所述的方法训练获得的；利用所述第三文本答案，指示llm从基元动作集的各基元动作中选取待执行动作；向智能体发送所述待执行动作，以使所述智能体执行所述待执行动作。8.一种多模态模型训练装置，其特征在于，包括：获取模块，用于获取图像描述样本，所述图像描述样本包括第一图像样本及对应的文本描述；图像处理模块，用于将所述第一图像样本输入至图像处理模型，获得所述图像处理模型输出的第一图像信息；训练模块，用于将第一指令输入至多模态模型，训练所述多模态模型，所述第一指令包括所述第一图像信息和对应的所述文本描述；还用于在所述多模态模型中，根据所述文本描述确定第一文本信息；还用于对齐所述第一图像信息和所述第一文本信息后，根据对齐后第一图像信息及所述第一文本信息确定对应所述第一图像样本的第一文本答案；还用于当所述多模态模型的全局损失值小于预设阈值，获得已训练多模态模型，所述全局损失值包括所述第一图像信息与所述第一文本信息之间的对齐损失值及所述第一文本答案与所述文本描述之间的损失值。9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

技术总结
本申请提供了一种多模态模型训练方法、装置、电子设备及可读存储介质。所述方法包括：将所述第一图像样本输入至图像处理模型，获得图像处理模型输出的第一图像信息；将第一指令输入至多模态模型，训练多模态模型，第一指令包括第一图像信息和对应的文本描述；在多模态模型中，根据文本描述确定第一文本信息；对齐第一图像信息和第一文本信息后，根据对齐后第一图像信息及第一文本信息确定对应第一图像样本的第一文本答案。本申请通过增加第一图像信息和第一文本信息，以使多模态模型基于对比学习将第一图像信息和第一文本信息对齐，提高了视觉信息与语言信息对齐的速度，使得多模态模型降低对庞大的模型容量及数据量的需求。型降低对庞大的模型容量及数据量的需求。型降低对庞大的模型容量及数据量的需求。


技术研发人员：赵哲一 于非 贺颖 孙喜龙 施斯 陈加壹
受保护的技术使用者：人工智能与数字经济广东省实验室（深圳）
技术研发日：2023.06.29
技术公布日：2023/10/6