Qwen原生多模態(tài)開源，淺析一下！
Qwen2.5-Omni 7B開源，Qwen的第一個(gè)端到端的多模態(tài)模型，可以文本、圖像、音頻和視頻輸入，同時(shí)以流式方式生成文本和自然語音回復(fù)。
提出了 Thinker-Talker 架構(gòu)。
PR還沒合進(jìn)去，要注意安裝方式
評測的榜似乎畫的有點(diǎn)趕，看不出信息量。
提出了一種新的位置嵌入，稱為 TMRoPE（時(shí)間對齊多模態(tài) RoPE），用于同步視頻輸入的時(shí)戳與音頻。
資源占用：理論值如下，實(shí)際要在高1.2倍，看起來消耗有點(diǎn)大。
瞄下代碼，關(guān)于輸入，每個(gè)模態(tài)都有專門的處理組件：
class Qwen2_5OmniProcessor(ProcessorMixin):
attributes = ["omni_processor", "feature_extractor", "tokenizer"]
omni_processor_class = "Qwen2VLImageProcessor"
feature_extractor_class = "WhisperFeatureExtractor"
tokenizer_class = ("Qwen2Tokenizer", "Qwen2TokenizerFast")視頻這里，還計(jì)算每個(gè)視頻時(shí)間網(wǎng)格對應(yīng)的實(shí)際秒數(shù)，用于TMRoPE中的時(shí)間對齊
if videos is not None:
videos_inputs = self.omni_processor(images=None, videos=videos, **output_kwargs["videos_kwargs"])
if fps is None:
fps = [2.0] * len(videos)
videos_inputs["video_second_per_grid"] = [
fps[i] / self.omni_processor.temporal_patch_size for i in range(len(fps))
]模型代碼的核心由3塊構(gòu)成，Thinker，Talker，Token2Wav
talker是將文本轉(zhuǎn)成語音編碼，Token2Wav是將編碼轉(zhuǎn)成波形。
里邊實(shí)現(xiàn)了幾個(gè)Token2Wav變體：
- Qwen2_5OmniToken2WavDiTModel：基于擴(kuò)散模型的波形生成
- Qwen2_5OmniToken2WavBigVGANModel：基于GAN的波形生成
- Qwen2_5OmniToken2WavModel：通用基類
文本輸出和語音輸出是兩條并行的路徑：
- 文本輸出：輸入 → Thinker → 文本輸出
- 語音輸出：輸入 → Thinker → Talker → Token2Wav → 語音輸出
只有當(dāng)需要語音輸出時(shí)，才會(huì)激活Talker模塊和Token2Wav模塊，將Thinker生成的文本內(nèi)容轉(zhuǎn)換為語音。
細(xì)節(jié)可以自行看源碼，不貼了。
在看看新的位置編碼。
對于純文本，使用常規(guī)的1D位置編碼。
對于包含視覺（圖像/視頻）和文本的混合輸入，函數(shù)分別計(jì)算：
- 視覺部分用3D位置編碼
- 文本部分用1D位置編碼
比如說，一個(gè)有3個(gè)時(shí)間片、2×2空間分辨率的視頻示例：
輸入序列: [V V V V V V V V V V V V T T T T T]
視覺時(shí)間位置ID: [0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2]
視覺高度位置ID: [0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1]
視覺寬度位置ID: [0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1]
文本位置ID從視覺最大位置ID+1開始: [3, 4, 5, 6, 7]將時(shí)間維度映射到位置ID，考慮每秒對應(yīng)多少個(gè)位置單位（position_id_per_seconds）
t_index = (torch.arange(grid_t) * second_per_grids[video_idx] * position_id_per_seconds).long()
llm_pos_ids = self.get_llm_pos_ids_for_vision(
start_idx, video_idx, spatial_merge_size, t_index, grid_hs, grid_ws
)針對視頻中包含音頻的情況，還單獨(dú)處理了，視頻和音頻交替編碼，按時(shí)間塊組織，每個(gè)時(shí)間塊包含視頻幀和對應(yīng)的音頻段，音頻有特殊的開始和結(jié)束標(biāo)記（audio_start_token_id和audio_end_token_id）
# 視頻和音頻混合處理
t_index_split_chunk = self.split_list_into_ranges(t_index, t_ntoken_per_chunk)
for t_chunk in t_index_split_chunk:
vision_ntoken_per_chunk = len(t_chunk) * grid_h * grid_w // (spatial_merge_size**2)
new_src_item.extend([video_token_id] * vision_ntoken_per_chunk)
# 為視頻區(qū)塊分配位置ID
new_src_item.extend(min(t_ntoken_per_chunk, pure_audio_len - added_audio_len) * [audio_token_id])
# 為音頻區(qū)塊分配位置ID最后開源地址：https://huggingface.co/Qwen/Qwen2.5-Omni-7B
代碼地址：https://github.com/huggingface/transformers/blob/3a1ead0aabed473eafe527915eea8c197d424356/src/transformers/models/qwen2_5_omni/modeling_qwen2_5_omni.py#L1175
本文轉(zhuǎn)載自??NLP前沿??，作者：NLP前沿
