Unified Reward Model for Multimodal Understanding and Generation

📄 arXiv: 2503.05236v1 📥 PDF

作者: Yibin Wang, Yuhang Zang, Hao Li, Cheng Jin, Jiaqi Wang

分类: cs.CV

发布日期: 2025-03-07

备注: project page: https://codegoat24.github.io/UnifiedReward/

💡 一句话要点

提出UnifiedReward统一奖励模型，用于多模态理解与生成任务的偏好对齐。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 奖励模型 多模态理解 多模态生成 偏好对齐 直接偏好优化

📋 核心要点

  1. 现有奖励模型任务特定性强，难以适应多样化的视觉应用，限制了多模态理解与生成的发展。
  2. UnifiedReward通过联合学习评估图像和视频的理解与生成任务，实现跨任务的协同效应，提升整体性能。
  3. 实验表明，该方法在图像和视频理解/生成任务上均取得了显著的性能提升，验证了其有效性。

📝 摘要（中文）

本文提出了一种名为UnifiedReward的统一奖励模型，用于多模态理解和生成评估，旨在解决现有奖励模型任务特定性强、泛化能力弱的问题。UnifiedReward支持成对排序和逐点评分，可用于视觉模型的偏好对齐。该模型首先在一个大规模人工标注的偏好数据集上进行训练，该数据集涵盖图像和视频的生成/理解任务。然后，利用UnifiedReward自动构建高质量的偏好对数据，通过成对排序和逐点筛选对视觉模型的输出进行精细过滤。最后，使用这些数据通过直接偏好优化（DPO）进行偏好对齐。实验结果表明，联合学习评估不同的视觉任务可以带来显著的互惠互利，并将该流程应用于图像和视频的理解/生成任务，显著提高了各个领域的性能。

🔬 方法详解

问题定义：现有奖励模型通常是为特定任务设计的，例如图像生成或视频理解，缺乏通用性和跨任务迁移能力。这限制了它们在各种视觉应用中的应用。此外，不同任务之间存在潜在的协同效应，例如，更好的图像理解可以帮助评估图像生成质量，而更精确的图像评估可以提升视频分析效果，这些协同效应没有被充分利用。

核心思路：本文的核心思路是构建一个统一的奖励模型，使其能够同时评估图像和视频的理解与生成任务。通过联合学习，模型可以学习到不同任务之间的共性特征和互补信息，从而提高整体的评估能力。这种统一的框架允许模型在不同任务之间共享知识，从而提高泛化能力和效率。

技术框架：UnifiedReward的整体框架包含以下几个主要阶段：1) 数据构建：构建一个大规模的人工标注偏好数据集，涵盖图像和视频的生成/理解任务。2) 模型训练：在构建的数据集上训练UnifiedReward模型，使其能够进行成对排序和逐点评分。3) 偏好数据自动构建：利用训练好的UnifiedReward模型，对视觉模型的输出进行评估，并自动构建高质量的偏好对数据。4) 偏好对齐：使用自动构建的偏好对数据，通过直接偏好优化（DPO）对视觉模型进行偏好对齐。

关键创新：最重要的技术创新点在于提出了一个统一的奖励模型，能够同时处理图像和视频的理解与生成任务。与以往任务特定的奖励模型不同，UnifiedReward通过联合学习不同任务的特征，实现了跨任务的知识共享和协同效应。此外，该方法还提出了一种自动构建高质量偏好对数据的方法，降低了人工标注的成本。

关键设计：UnifiedReward的具体网络结构和损失函数细节在论文中未详细说明，属于未知信息。但是，可以推测其关键设计可能包括：1) 使用Transformer等通用架构作为 backbone，以适应不同模态和任务的输入。2) 设计合适的损失函数，例如pairwise ranking loss和pointwise scoring loss，以训练模型进行偏好排序和质量评估。3) 采用有效的训练策略，例如 curriculum learning或multi-task learning，以提高模型的学习效率和泛化能力。

📊 实验亮点

实验结果表明，UnifiedReward在图像和视频的理解与生成任务上均取得了显著的性能提升。具体提升幅度以及对比的基线模型在摘要中没有明确给出，属于未知信息。但论文强调，联合学习不同视觉任务可以带来显著的互惠互利。

🎯 应用场景

UnifiedReward可广泛应用于多模态内容生成和理解领域，例如图像/视频生成模型的评估与优化、视觉问答系统的性能提升、以及内容推荐系统的个性化排序。该研究有助于推动人工智能在视觉内容创作、审核和理解方面的应用，具有重要的实际价值和未来影响。

📄 摘要（原文）

Recent advances in human preference alignment have significantly enhanced multimodal generation and understanding. A key approach is training reward models to guide preference optimization. However, existing models are often task-specific, limiting their adaptability across diverse visual applications. We also argue that jointly learning to assess multiple tasks may foster a synergistic effect, where improved image understanding enhances image generation assessment, and refined image evaluation benefits video assessment through better frame analysis. To this end, this paper proposes UnifiedReward, the first unified reward model for multimodal understanding and generation assessment, enabling both pairwise ranking and pointwise scoring, which can be employed for vision model preference alignment. Specifically, (1) we first develop UnifiedReward on our constructed large-scale human preference dataset, including both image and video generation/understanding tasks. (2) Then, it is utilized to automatically construct high-quality preference pair data based on the vision models, fine-gradually filtering their outputs through pair ranking and point sifting. (3) Finally, these data are used for their preference alignment through Direct Preference Optimization (DPO). Experimental results demonstrate that joint learning to assess diverse visual tasks can lead to substantial mutual benefits and we apply our pipeline to both image and video understanding/generation tasks, significantly improving the performance in each domain.