無需參數訪問！CMU用大模型自動優化視覺語言提示詞 | CVPR’24

林之秋 投稿

量子位 | 公眾號 QbitAI

視覺語言模型（如 GPT-4o、DALL-E 3）通常擁有數十億參數，且模型權重不公開，使得傳統的白盒優化方法（如反向傳播）難以實施。

那麼，有沒有更輕鬆的優化方法呢？

就在最近，卡內基梅隆大學（CMU）的研究團隊對於這個問題提出了一種創新的「黑盒優化」策略——

通過大語言模型自動調整自然語言提示詞，使視覺語言模型在文生圖、視覺識別等多個下遊任務中獲得更好的表現。

這一方法不僅無需觸及模型內部參數，還大幅提升了優化的靈活性與速度，讓用戶即使沒有技術背景也能輕鬆提升模型性能。

該研究已被 CVPR 2024 接收。

如何做到的？

大多數視覺語言模型（如 DALL-E 3、GPT-4o 等）並未公開模型權重或特徵嵌入，導致傳統依賴反向傳播的優化方式不再適用。

不過，這些模型通常向用戶開放了自然語言接口，使得通過優化提示詞來提升模型表現成為可能。

然而，傳統的提示詞工程嚴重依賴工程師的經驗和先驗知識。

例如，為提升 CLIP 模型的視覺識別效果，OpenAI 花費了一年時間收集了幾十種有效的提示詞模板（如 「A good photo of a [class]」）。

同樣，在使用DALL-E 3和Stable Diffusion等文生圖模型時，用戶往往也需掌握大量提示詞技巧才能生成滿意的結果。

那麼，有沒有替代人類提示詞工程師的方法？

有的 CMU 團隊提出了一種新策略：用 ChatGPT 等大語言模型自動優化提示詞。

像提示詞工程師利用反饋改進提示詞一樣，CMU 的方法將正負反饋交給 ChatGPT，以更高效地調整提示詞，具體過程如圖所示：

這種優化過程類似於機器學習中的「爬山法」（hill-climbing）策略，不同之處在於大語言模型可以自動分析提示詞表現，從正負反饋中找到最優改進方向。

研究團隊利用這一特性來更高效地優化提示詞。這個過程可以用以下步驟概括：

提示詞初始化：收集一批未經優化的初始提示詞。

提示詞排序：對當前提示詞進行表現評分，保留高分提示詞，替換低分提示詞。

生成新提示詞：通過大語言模型，根據提示詞的表現生成新的候選提示詞。

經過多輪迭代，最終返回得分最高的提示詞作為優化結果。

實驗結果

通過這一方法，CMU 團隊在無需人類提示工程師參與的情況下，在多個小樣本視覺識別數據集上取得了最佳準確性，甚至超越了傳統的白盒提示詞優化方法（如 CoOp）。

此外，該方法在無需瞭解數據集內容的前提下，自動捕捉到了下遊任務的視覺特性並將其融入提示詞中，取得了更好的效果。

例如，在食物識別任務中，ChatGPT 自動將提示詞調整為識別「多樣化的美食和原料」，從而提升了模型的表現。

研究團隊還證明了，通過 ChatGPT 黑盒優化得到的提示詞不僅適用於單一模型架構，還能在不同模型架構（如 ResNet 和 ViT）之間泛化，並且在多種模型上表現優於白盒優化得到的提示詞。

這一系列實驗證明，大語言模型能夠從提示詞的性能反饋中提取出隱含的「梯度」方向，從而實現無需反向傳播的模型優化。

在文生圖任務中的應用

CMU 團隊進一步探索了該方法在生成任務中的應用潛力。

在文本到圖像生成（T2I）任務中，ChatGPT 能夠自動優化提示詞，從而生成更符合用戶需求的高質量圖像。

例如，對於輸入描述「一個動物注視著一個人」，系統可以通過逐步優化提示詞來提升生成圖像的準確性。

此外，這一方法還適用於提示反演（Prompt Inversion）。

提示反演是一種根據現有圖像反推生成模型輸入提示詞的技術，簡單來說，就是通過圖像生成能夠再現其特徵的文本描述（提示詞）。

研究團隊在複雜的文本到圖像任務上進行了測試，結果表明這一方法僅需三輪提示詞優化，就能顯著提高用戶的滿意度。

此外，研究團隊還指出，提示反演可以幫助用戶快速定製特定的圖像效果，例如「讓這隻狗變成站立姿勢」或「讓背景變成夜景」，從而生成符合特定需求的圖像。

CMU 團隊表示，提出的黑盒優化範式突破了傳統模型調優的限制，不僅在圖像分類和生成任務中表現出色，還展示了廣泛的應用潛力。

這一方法無需訪問模型權重，僅通過「文本梯度」實現精準優化，具備強大的擴展性。

未來，黑盒優化有望應用於實時監控、自動駕駛、智能醫療等複雜動態場景，為多模態模型的調優帶來更加靈活高效的解決方案。

團隊介紹

團隊的一作劉士弘（Shihong Liu）是卡內基梅隆大學的研究生畢業生，曾任機器人研究所研究員。

目前在 北美Amazon 工作，負責大型分佈式系統的計算和大語言模型驅動的 AI Agent 的開發。

團隊的共同一作林之秋（Zhiqiu Lin）是卡內基梅隆大學的博士研究生，專注於視覺-語言大模型的自動評估與優化。

Zhiqiu Lin在CVPR、NeurIPS、ICML、ECCV等頂級會議上發表了十數篇論文，並曾榮獲最佳論文提名和最佳短論文獎等。

Deva Ramanan教授是計算機視覺領域的國際知名學者，現任卡內基梅隆大學教授。

他的研究涵蓋計算機視覺、機器學習和人工智能領域，曾獲得多項頂級學術榮譽，包括2009年的David Marr獎、2010年的PASCAL VOC終身成就獎、2012年的IEEE PAMI青年研究員獎、2012年《大眾科學》評選的「十位傑出科學家」之一、2013年美國國家科學院Kavli Fellow、2018年和2024年的Longuet-Higgins獎，以及因其代表性工作（如COCO數據集）獲得的Koenderink獎。

此外，他的論文在CVPR、ECCV和ICCV上多次獲得最佳論文提名及榮譽獎。他的研究成果對視覺識別、自動駕駛、和人機交互等應用產生了深遠影響，是該領域極具影響力的科學家之一。

 CVPR’24論文鏈接: 

https://arxiv.org/abs/2309.05950

 論文代碼: 

https://github.com/shihongl1998/LLM-as-a-blackbox-optimizer

 項目網站： 

https://llm-can-optimize-vlm.github.io