北大等发布多模态版o1！首个慢思考VLM将开源，视觉推理超闭源

发布时间：2025-12-09 14:59:09 来源：安徽某某网络科技有限责任公司 作者：热门资讯

北大等出品，北大布多版o闭源首个多模态版o1开源模型来了——

代号LLaVA-o1，模态慢思基于Llama-3.2-Vision模型打造，将开觉推十堰市某某环保机械设备有限责任公司超越传统思维链提示，源视实现自主“慢思考”推理。理超

在多模态推理基准测试中，北大布多版o闭源LLaVA-o1超越其基础模型8.9%，模态慢思并在性能上超越了一众开闭源模型。将开觉推

新模型具体如何推理，源视直接上实例，理超比如问题是北大布多版o闭源：

减去所有的小亮球和紫色物体，剩下多少个物体？选项：A. 4，模态慢思B. 8，将开觉推C. 2，源视D. 6

传统提示词方法还是理超老路子，让Llama-3.2-11B-Vision-Instruct打个样就是十堰市某某环保机械设备有限责任公司：

第一步减去所有的小亮球；
第二步减去所有紫色物体；
最后给出答案，鉴于我们已经移除了所有的小亮球，而且一开始就没有紫色物体，正确答案是C. 2；

哐哐一顿输出，得出错误结果。

我们再来看LLaVA-o1的推理过程：

总结阶段：问题是什么？我应该怎么做？
注释阶段：我能从这张图片中知道什么？
推理阶段：如何一步一步解决问题？
结论阶段：最终答案是什么？

是不是明显不同。这就对了，LLaVA-o1超越传统COT思维链，采用了结构化、多步骤推理。

简单说，它将推理过程划分为四个阶段，并在每一阶段采用优中选优策略来为下一阶段提供响应。

难怪看完最新效果，网友们直呼：推理 is all you need！

看来，让模型思考更多在多模态领域也同样适用——

“第一个能自发、系统推理的视觉语言模型”

前一阵，o1模型的发布又带火了COT思维链这一推理模式。（像人类一样步步思考）

于是，让模型思考更多是否会提高模型能力成为新的研究热点。

这不，除了像o1这样的通用大语言模型，北大团队还瞄上了多模态这一领域——

他们超越传统COT思维链，采用结构化、多步骤推理，一举推出多模态版o1模型——LLaVA-o1。

作者先澄清了一下， 虽然最近的VLM模型有类似名称，但LLaVA-o1是建立在Llama-3.2-Vision模型之上，而不是LLaVA。

那么，学会逐步推理的LLaVA-o1有多大提升呢？

根据论文介绍，仅用一个包含10万训练样本的数据集，LLaVA-o1在多模态推理基准测试中超越了其基础模型8.9%，并且在性能上超越了更大的模型。

甚至包括一些闭源模型，如Gemini-1.5-pro、GPT-4o-mini和Llama-3.2-90B-Vision-Instruct。

针对这一提升，团队也发现了背后的关键原因：

结构化响应显著提高了模型的系统推理能力

为了使LLaVA-o1更加结构化和系统化，团队设计了4个标签来帮助模型识别当前的推理阶段，并使用GPT-4o来生成LLaVA-o1-100k数据集。

• <摘要>：该模型简要解释了接下来的任务
• <标题>：它描述了图像中的重要细节（如果有）
• <理由>：它详细分析了这个问题
• <结论>：它基于分析提供最终答案

借助这些标签，LLaVA-o1将推理过程划分为四个明确的阶段：总结（Summary）、视觉解释（Caption）、逻辑推理（Reasoning）和结论生成（Conclusion）。

与思维链提示不同，LLaVA-o1独立参与了这些连续阶段。

不过需要提醒，在LLaVA-o1的推理过程中，前三个阶段都在内部处理（对用户隐藏），而最终结论阶段才是用户可以看到并直接与之交互的。

采用这种设计，可以使模型在不向用户暴露复杂推理细节的情况下，提供清晰和准确的答案。

接下来，LLaVA-o1通过监督微调和阶段级光束搜索方法（stage-level beam search method）来进一步提升推理能力和推理时间的可扩展性。

这里我们重点说一下团队创新提出的阶段级光束搜索方法。

简单说，团队为每个阶段（用标签标记）生成多个响应，并选择其中最佳的一个进入下一阶段。

更具体的，这是一种用于推理时间扩展（Inference-time scaling）的技术，与传统方法不同，阶段级光束搜索专注于模型推理过程中的每个独立阶段。

在这种方法中，模型在每个推理阶段生成多个候选结果，然后从中选择最佳的结果继续下一个阶段的推理。

由于它允许模型在每个阶段进行选择和优化，从而提高了整体推理的质量。

通过这种分阶段的搜索策略，LLaVA-o1能够更有效地进行推理，尤其是在处理复杂的多模态推理任务时。

最后，通过对Llama-3.2-11B-Vision-Instruct模型的微调，结果显示：

LLaVA-o1在多模态推理基准测试上使用10万个训练样本和简单的推理时间扩展方法，实现了8.9%的性能提升，超越了同等规模以及更大或闭源的模型。

北大、鹏城实验室等团队出品

简单认识一下研究背后的团队，论文作者一共6人，下面一一介绍。

Guowei Xu，目前本科就读于清华姚班，对强化学习、机器人和科学领域的AI应用感兴趣。

去年入学以来，他已在国际学术会议上参与发表多篇论文，并获得2024新生一等奖。

Peng Jin（金鹏），曾在清华大学获得学士学位，目前是北大三年级博士生，师从袁粒。

他对文本-视频检索、跨模态表示学习以及多模态大语言模型感兴趣，从2022年9月至今，已有11篇论文被顶会接收。

和他同样北大博三，师从袁粒的，还有Hao Li（李昊），不过李昊之前毕业于北大计算机科学系。

李昊对多模态学习、视觉理解和化学科学人工智能感兴趣，至今已在国际顶会上发表了20多篇论文，总谷歌学术引用量300+。

而他们的老师袁粒，量子位的读者想必都很熟悉了。

袁粒目前是北大深圳研究生院助理教授，专注于多模态深度学习研究方向，一作论文单篇被引用千余次。

屡屡登上热搜的ChatExcel、ChatLaw等垂直领域产品，都是出自他的团队。

另外两位作者：

Yibing Song（宋奕兵），目前是阿里达摩院研究员/研究经理，之前还是复旦大学的一名教师，并在腾讯AI实验室担任高级研究员。

他当前主要对多模态AI感兴趣，至今发表了50多篇顶级论文，而且被斯坦福大学选为全球前2%的科学家之一。

Lichao Sun，目前是美国莱赫大学计算机科学与工程系助理教授。

在此之前，他于2020年在伊利诺伊大学芝加哥分校获得计算机科学博士学位。

他还是多项奖项的获得者，包括2024年微软加速基础模型研究奖、2024年OpenAI研究员奖和NSF CRII奖。

接下来，团队宣布LLaVA-o1的代码、预训练权重、数据集等即将全部开源。

感兴趣的童鞋可以蹲一波了~

相关文章