马毅团队新研究：微调多模态大模型会灾难性遗忘

　　随着GPT-4的发布，多模态大模型(MLLM)成为热点。业界常将视觉编码器与语言模型集成构建MLLM。尽管微调后的MLLM在视觉语言任务上表现强劲，但仍面临灾难性遗忘的问题，即过拟合微调数据集后，在其他任务上的性能下降。

　　马毅团队提出了EMT框架，专门评估MLLM的灾难性遗忘。流程是:

　　1)输入图像;

　　2)要求MLLM分类;

　　3)用另一个语言模型评估分类正确性。

　　结果显示，测试的MLLM大多无法保持与视觉编码器相近的分类性能。

　　研究还针对LLaVA做了微调实验。证实了适度微调有益，但过度微调会导致非微调任务遗忘。另外，微调后的MLLM会产生与微调数据集相关的幻觉文本，而非原始问题。

　　本研究首次系统评估了MLLM中的灾难性遗忘问题，为后续工作提供了框架和基准。遗忘问题的产生也启示我们，在追求单任务性能的同时，还需注意保持模型的泛化能力，防止过拟合。模型设计和训练技巧仍需进一步优化，以平衡不同能力之间的权衡。