這次不是卷參數(shù)、卷算力，而是卷“跨界學習”——

讓Stable Diffusion當老師，教多模態(tài)大模型（如Llama-3.2）如何“看圖說話”！

性能直接飆升30%。

中國研究員聯(lián)合DeepMind團隊的最新研究《Lavender: Diffusion Instruction Tuning》，通過簡單的“注意力對齊”，僅需1天訓練、2.5%常規(guī)數(shù)據(jù)量，即可讓Llama-3.2等模型在多模態(tài)問答任務中性能飆升30%，甚至能防“偏科”（分布外醫(yī)學任務提升68%）。

且代碼、模型、訓練數(shù)據(jù)將全部開源！

下面具體來看。

模仿Stable Diffusion的交叉注意力機制

當前遇到的問題是：

傳統(tǒng)多模態(tài)大模型（VLM）的“視覺課”總不及格？數(shù)據(jù)不夠、過擬合、細節(jié)抓不準……像極了考前突擊失敗的學渣。

對此，團隊提出了新的解決方案：

讓Stable Diffusion這位“圖像生成課代表”，直接共享它的“學霸筆記”——注意力分布。

展開來說，其跨界教學可分為三步走：

Step1：拜師學藝。VLM（如Llama-3.2）向Stable Diffusion學習如何“看圖”，通過輕量級對齊網絡（Aligner）模仿其交叉注意力機制。

Step2：高效補課：僅用13萬樣本（常規(guī)數(shù)據(jù)量的2.5%）、8塊GPU訓練1天，不卷數(shù)據(jù)不燒卡。

Step3：防偏科秘籍。引入LoRA技術“輕裝上陣”，保留原模型能力的同時，專攻薄弱環(huán)節(jié)。

然后來看下具體效果。

從論文曬出的成績單來看，在16項視覺-語言任務中，Lavender調教后的Llama-3.2，性能大有提升——

在預算有限的小模型賽道上，超過SOTA（當前最優(yōu)模型）50%。

在超大模型圈子里，Lavender調教的Llama-3.2-11B居然能和那些“巨無霸”SOTA打得有來有回。

要知道，這些對手的體量一般在它的10倍以上。

更令人驚訝的是，Lavender連醫(yī)學數(shù)據(jù)都沒“補習”，就直接讓Llama-3.2-11B在WorldMedQA這個“超綱考試”中成績暴漲68%。

具體分數(shù)見圖表（柱狀圖已標出）

代碼/模型/訓練數(shù)據(jù)全開源

小結一下，新研究主要技術亮點如下：

1、注意力對齊：Stable Diffusion的“獨家教案”

傳統(tǒng)VLM的注意力機制像“散光患者”，而Stable Diffusion的注意力分布則是“高清顯微鏡”。Lavender通過MSE損失函數(shù)，讓VLM學會Stable Diffusion的“聚焦技巧”，直接提升視覺理解精度。

2. 數(shù)據(jù)不夠？知識蒸餾來湊

無需海量標注數(shù)據(jù)，直接從圖像生成模型中蒸餾視覺知識，堪稱“小樣本學習神器”。正如論文團隊調侃：“這大概就是AI界的‘名師一對一補習班’?！?/p>

3. 防過擬合Buff：LoRA+注意力約束

通過低秩適配（LoRA）鎖定核心參數(shù)，避免模型“死記硬背”。實驗顯示，Lavender在分布外任務上的魯棒性吊打傳統(tǒng)SFT方法，具備“抗偏科體質”。

另外，從具體應用場景來看，Lavender的視覺理解能力直接拉滿。

無論是表格標題還是圖表里的小數(shù)據(jù)點，Lavender都能一眼鎖定關鍵信息，不會“偏題”；且對于復雜圖形、大小位置關系，Lavender也能避免視覺誤導，輕松拿捏。

實驗顯示，從醫(yī)學病灶定位到多語言問答，Lavender不僅看得準，還答得對，連西班牙語提問都難不倒它。

目前，團隊不僅公開了論文，代碼/模型/訓練數(shù)據(jù)也全部開源了。

• 訓練數(shù)據(jù)：由Stable Diffusion標注的高質量對齊樣本；
• 預訓練模型：基于Llama-3.2、MiniCPMv2.5等架構的Lavender適配版；
• 調參指南：從小白到進階的“注意力對齊”實操手冊；

對于上述研究，團隊負責人表示：

我們希望證明，高效、輕量的模型優(yōu)化，比無腦堆參數(shù)更有未來。