仅靠19亿参数，只用公共数据集，在12个任务上狂刷SOTA。
微软这篇多模态论文刚挂上arXiv不久，就在业内引发强烈关注。
有网友将之总结成“在所有事情上打败了所有人”。
怎么回事？先来看这张雷达图：
橙色内圈，是各大任务之前的SOTA。
紫色外圈，就是这篇BEiT-3的结果，不仅超越，而且是全面超越。
具体一圈看下来，BEiT-3这个多模态模型不光刷遍多模态任务，连右上角的纯视觉三大经典任务也都刷到SOTA，简直是六边形战士。
知乎上一位同样做多模态研究的选手直呼“杀死了比赛”。
其实说起来，微软BEiT这个系列最开始做的是视觉自监督学习。
其核心思想与何恺明的MAE一致，甚至比MAE提出的还早一段时间，不过当时性能惜败于MAE。
如今在多模态方向上绕了一圈后，没想到能以方式横扫视觉与多模态榜单。
取得这种成果的，一般来说还不得是上百亿上千亿参数的大大大模型？
但BEiT-3总参数不过19亿，甚至训练数据上也没什么秘密武器，全都用的公开资源。
那么，这一切是如何做到的？
最关键的一点，论文标题和摘要就已经指明：
把图像当成一种外语。
这样一来，文本数据是English，图像数据作者开了个小玩笑命名为Imglish，那么图文对数据就相当于平行语料。
那么多模态也好纯视觉也罢，都能用同一个预训练任务来处理。
在这个基础上，论文中把所做突破总结成一个词，大一统 （Big Convergence） 。
首先，大一统表现在网络架构上。
通过统一多模态表示方式，对于不同任务可以共享一部分参数，采用Multiway（多路）Transformer架构作为骨干网络。
具体来说就是共享多头自注意力层，输出时再根据具体任务选择专用的FFN层。
第二，大一统又表现在预训练方法上。
既然所有数据都能当成文本数据，那就可以全都按照BERT的方法，用掩码-预测来做预训练，称为Masked Data Modeling。
与基于对比学习的训练方法相比，新方法可以选用更小的Batch Size，又能额外降低显存消耗。
第三，大一统还表现在规模效应上。
统一的预训练任务让模型参数扩大到10亿数量级后，对下游任务的泛化能力增强。
另外不同模态的数据集在此方法下也产生规模效应。
团队特意只用公开数据的条件下增加训练数据集规模，结果超越了一些使用高质量私有数据的模型。
BEiT-v的训练数据来自5个公开数据集中的约500万张图像和2100万图像-文本对；单模态数据则使用来自ImageNet-21K的1400万张图像和160GB的文本语料库。
除此之外，在规模上也远小于其它的多模态预训练模型，例如ALIGN（18亿图文对）、CLIP（4亿图文对）、SimVLM（18亿图文对，800GB文本）等。
所有这些优势叠加在一起，BEiT-3就以更少的训练数据、更小的模型参数取得更好的性能。
在纯视觉任务（图像分类、目标检测、语义分割）以及多模态任务（视觉推理、视觉问答、图像描述、微调的跨模态检索、零样本跨模态检索）总共8类任务下超越各自之前的SOTA。
BEiT-3 这篇论文很简短，不算参考文献只有9页。
但熟悉微软BEiT系列历史的话就会知道，这项研究取得成功的意义不仅在于其自身，也不仅是多模态学习的一项突破——
还给视觉大规模预训练这个兴起不久的领域，带来新的可能性。
关于微软的BEiT系列，全称为Bidirectional Encoder representation from Image Transformers，比大家熟悉的语言模型BERT多了个“Image”。
其主要思想就是借鉴BERT，把掩码建模方法用到视觉任务上，做视觉的自监督学习，解决高质量标注数据难以获得的难题。
初代BEiT论文于去年6月发表，比同类工作何恺明的MAE还要早一些，也是MAE论文中的主要比较对象之一。
两项研究都是用“先掩码再预测”来做预训练任务，最大的区别在于BEiT会把视觉token离散化、最后模型预测的是token，而MAE则是直接预测原始像素。
在三大视觉任务上，MAE比当时的BEiT略胜一筹。并且因方法更简单直接，MAE运行起来也要快上不少（3.5倍）。
为了证明在MAE中token化这一步并无必要，何恺明团队在论文中还特意做了消融试验。
结果表明，两种方法统计上并无显著差异，对于MAE来说预测原始像素就足够了。
不过BEiT团队并没有放弃离散化token这个方法，而是沿着这个思路继续探索下去。
一年之后，团队发表了多模态模型VL-BEiT，可以算作是现在这篇BEiT-3的雏形。
VL-BEiT已经用上了共享Attenion层、再对不同任务连接不同FFN层的架构。
这一思想其实来自同一团队更早之前一篇论文VLMo，对每个模态设置一个专家层的方法称为MoME（Mixture-of-Modality-Experts）。
不过，VL-BEiT在预训练任务上还比较复杂，会对文本数据和图像数据分别做掩码建模，至于多模态图文对数据也是分开处理的。
最后结果，VL-BEiT在多模态任务和纯视觉任务上表现都不错，但还不像现在的BEiT-3这样大杀四方。
不过别急，突破口很快就被找到。
BEiT-3发表仅一周之前，微软与国科大团队合作发表了一篇BEiT v2。
两者命名方式有细微差别，因为BEiT v2确实代表是BEiT的升级版。
而BEiT-3的3论文中虽未明说，但说的大概不是“第三代”，而是另有所指（稍后揭秘）。
说回到BEiT v2，这篇论文重新专注于纯视觉，在初代BEiT基础上提出了新的语义级tokenizer。
具体来说，BEiT v2引入了矢量量化（Vector-Quantized）和知识蒸馏（Knowledge Distillation）来训练tokenizer。
同样是做离散化token，新方法能重建知识蒸馏中教师模型的语义特征，大大提高token中携带的语义信息，从而提高模型性能。
接下来，教师模型用谁就很关键了。
在对比了FAIR的DINO模型和OpenAI的CLIP模型之后，团队发现还是CLIP更香。
最终结果上，BEiTv2性能反超MAE和这段时间出现的其他方法，重回SOTA。
了解了整个BEiT系列的发展历程，最后再来看一下BEiT-3。
论文共同一作董力，点出了模型命名中“3”的含义：
多模态统一的预训练方式+共享Attention的多路Transformer+扩大规模的大一统（Big Convergence）。
如此一来，BEiT-3能在多模态任务和视觉任务中都取得SOTA也就不奇怪了。
这样一篇论文，自然吸引了行业内很多目光。
鲁汶大学一位教授认为，这代表微软在AI科研方面赶上谷歌/DeepMind、Meta和OpenAI，“重新坐上了牌桌”。
随着讨论热度升级，对论文更严格的审视目光也多了起来。
谷歌一位研究员指出，论文结果看起来简洁又令人印象深刻，就是这雷达图的坐标取值有点不太严谨。
知乎上也有网友提问，如果用了CLIP作为教师模型的话，那么来自CLIP高质量配对数据的贡献有多少，直接改改CLIP就用又会如何？
最后再来介绍一下作者团队，BEiT-3相关研究论文的作者都来自微软。
三位共同一作分别是Wenhui Wang，Hangbo Bao（鲍航波）和Li Dong（董力）。
其中，鲍航波和董力都是从初代BEiT就参与了研究，一直贯穿VL-BEiT和BEiT v2的发展，鲍航波更是BEiT和VL-BEiT论文的一作。另一位Wenhui Wang之前也曾参与过VL-BEiT的研究。
通讯作者是微软亚洲研究院NLP小组的Partner研究经理Furu Wei（韦福如）。
BEiT-3论文：
https://arxiv.org/abs/2208.10442
参考链接：
[1]BEiT：https://arxiv.org/abs/2208.10442
[2]VL-BEiT：https://arxiv.org/abs/2206.01127
[3]VLMo：https://arxiv.org/abs/2111.02358
[4]BEiT v2：https://arxiv.org/abs/2208.06366
[5]MAE：https://arxiv.org/abs/2111.06377
[6]https://twitter.com/_akhaliq/status/1561883261160259584
[7]https://www.zhihu.com/question/549621097
“
