©PaperWeekly 原创 · 作者 | 黄中展

单位 | 中山大学博士生

研究方向 | 生成式神经网络

多模态大模型具备创造的潜力吗？能力如何？本文从大模型创造力测评与增强等方面进行了探索，从幽默创新响应的角度，揭示了大模型在创新任务上的潜力和不足。目前该成果被计算机视觉顶级会议 CVPR 2024 录用。

论文链接：

https://arxiv.org/abs/2312.02439

项目主页：

https://zhongshsh.github.io/CLoT/

代码链接：

https://github.com/sail-sg/CLoT

为了探索多模态大模型的创造力，中山大学 HCP 实验室林倞教授团队联同 Sea AI Lab、哈佛大学的研究人员从日本传统的创新幽默游戏“大喜利”（Oogiri）切入，探索目前多模态大模型在创新响应上的现状。并提出了让多模态大模型打破常规思维思考（Think Outside the Box）的训练方法 Creative Leap-of-Thought (CLoT)。

什么是“大喜利”创新响应游戏？

“大喜利”本来是指一系列日本传统戏剧游戏，随着时代的快速发展。现代的“大喜利”，目前一般是指一种叫 Tonchi (頓智) 的游戏，通常以游戏节目或智力问答节目的形式呈现，可以参考 B 站的日本著名节目 IPPON 大獎賽 (视频链接)：

https://www.bilibili.com/video/BV1jt4y1g7ob/

玩家被提供各种多模态内容，可以是简单的问题、随机图像等，然后提示玩家想出幽默的、有创意的反应，以达到令人惊讶的喜剧效果，如下图所示的例子。

例子1：在第一个“图文到文”的例子中，玩家要求阅读图像，和上面对应的文字，尝试想出一段文字填入对应的“问号?”位置，使得整个图文可以展示出幽默且有创意的效果。在第一个例子中，老人向年轻人寻求帮助，从正常的思维来看，可能的填写方式可以是“请问 xxx 路怎么走？”或者是"可以带我回家吗，我迷路了"之类的┓( ´∀` )┏。然而，所给出的“你...你能帮我解开手铐吗？”的写法具有冲击感、幽默感，且看起来确实是这么一回事，使人忍俊不禁。

例子2：在第二个“图到文”的例子中，玩家要求看图配文，并使得图文搭配起来具有幽默效果。这张图看起来是一个很普通的拖车的图片（需要注意的是，在“大喜利”游戏中，一般图片都是很普通的日常图片）。配文“快让开！我的兄弟伤得很严重”让倾斜着身体 45° 向上的车看起来像是一个奄奄一息的车子。在道路上快速的驰骋也确实体现了位于下方的车很着急，急着送兄弟去医院。整体来说配文相当有趣且幽默！

例子3：在第三个“图到文”的例子中，玩家被要求根据所给的文字进行回复，使得回复和问题合在一起具备幽默感。本例子中的回复似乎在调侃程序员的日常工作主要就是代码的“复制+黏贴”┓( ´∀` )┏ （注：CV 工程师除了可以表示 computer vision 工程师也可以表示 ctrl+c/ctrl+v 工程师）

本工作主要关注这三种类型的“大喜利”游戏，相关数据 Oogiri-GO（如下表所示，含中英日三种语言）可以进入 Project 页面下载：

https://zhongshsh.github.io/CLoT/

为什么考虑“大喜利”游戏？

“大喜利”游戏是用于探索多模态大模型创新能力的理想平台，因为：

1. “大喜利”游戏是天然的创新响应任务。如上所提到的，现代“大喜利”也被称为Tonchi (頓智)。“頓”在日文和中文中都表示“突然”，而“智”的意思是“智力、洞察力或直觉”，该游戏天然地要求玩家给出令人眼前一亮、灵光一闪的创新响应；

2. “大喜利”的数据格式是高度合适的。不管是“图文到文”、“图到文”还是“文到文”，这些类型都天然地和目前多模特大模型的输入输出格式吻合，即输入为“图文”，输出仅为“文”。

3. “大喜利”数据质量高。创新是一件很难的事情，即使是人类，因此能作为“创新”相关的数据集并不多。鉴于该游戏长期在互联网上非常活跃（在中文社区中，一般也叫日式神吐槽/冷吐槽），而且带有大量点评数据，比如点赞数等等。正好积累了大量高质量人类创新幽默响应可以被用于研究。

性能结果展示

注意事项：

1. 幽默是主观的。任何一个幽默的响应都很难取悦每一个人 (人类的悲欢并不相通.jpg)。另外文化的差异、知识范围等原因也会造成不同人对不同响应的幽默理解。

2. 创新是困难的。如日本著名“大喜利”节目 IPPON 大獎賽中顶尖人类选手也很难确保每一次响应都能让评委满意。如果模型响应不满意，可以让它多试几次~

3. 幽默是多元的。一些常见的“调侃“、“讽刺“等手段是幽默的重要组成部分。不同的文化，甚至不同的人，对这些内容的容忍度不同，模型输出的内容可能对某些人会产生冒犯，敬请多多包容。本文、模型以及数据均只用于学术研究。

首先展示的是在本文方法 CLoT 前后的创新响应对比：

接下来是一些精彩的模型响应合集：

激发创造力的思维方式Leap-of-Thought (LoT)

如下图（左）所示，传统的链式思考（Chain-of-Thought，CoT）方法是一种顺序思考过程，通过逐步推理指导大模型进行逻辑推理，每个后续的思考都建立在前一个思考的基础上。这一思考过程一定程度上确保了精确性和严谨性，但对于创造性问题表现不佳。

如下图（右）所示，本文探索了一种新的非顺序、创造性思维范式——跳跃思维 Leap-of-Thought（LoT）。这种范式涉及到思考关联性和知识跳跃。远距离的思考也被认为是联想。与 CoT 强调逻辑紧密的思维链不同，LoT 强调打破常规思维思考问题，激发模型的创造力。

通向LoT! 激发创造力的训练方法CLoT

基于所提出的 Oogiri-GO 数据集，本文探索出一套激发多模态大模型创造力的训练方法 CLoT。如下图所示，CLoT 包括两个阶段：

1. 关联性指令微调。在这一阶段，本文设计生成式和判别式模板，将 Oogiri-GO 数据集转换为指令微调的训练数据，用于训练多模态大模型，使得模型具备初步的创新响应能力。

2. 探索性自我调整。在这一阶段中，本文首先通过设计远关联的条件词，促使（1）中的模型生成多样化且与输入远关联的回答，并设计筛选流程，获得可靠的新 LoT 数据。随后，新数据被转换成指令微调的训练数据，用于进一步微调模型，具体地：

探索性远程关联：这一步骤鼓励 LLM 在给定的弱关联条件下产生创新的回应。通过这种方式，LLM 学习在看似不相关的概念之间建立联系，从而生成多样化的创意内容。
自我精炼：在探索性远程关联的基础上，通过设计一系列筛选流程，收集到的创意回应被用来进一步训练 LLM。这样做可以提高 LLM 在处理创造性任务时的表现，使其能够生成更高质量和多样性的内容。

性能评估

为了尽可能全面评估 CLoT，本文基于 Oogiri-GO 数据集，设计了选择题和排序题作为量化评估方式。实验结果表明，CLoT 能够显著提高多模态大模型（如 Qwen 和 CogVLM）的性能，显著超越包括 GPT4v 在内的先进模型。另外，与其他先进推理框架 CoT 等相比，在各项量化指标下也是有显著优势的。