ICLR 2025 Oral | IDEA联合清华北大提出ChartMoE：探究下游任务中多样化对齐MoE的表征和知识|json|Table_新浪科技

最近，全球 AI 和机器学习顶会 ICLR 2025 公布了论文录取结果：由 IDEA、清华大学、北京大学、香港科技大学（广州）联合团队提出的 ChartMoE 成功入选 Oral (口头报告) 论文。据了解，本届大会共收到 11672 篇论文，被选中做 Oral Presentation（口头报告）的比例约为 1.8%

论文链接：https://arxiv.org/abs/2409.03277
代码链接：https://github.com/IDEA-FinAI/ChartMoE
模型链接：https://huggingface.co/IDEA-FinAI/chartmoe
数据链接：https://huggingface.co/datasets/Coobiw/ChartMoE-Data

研究动机与主要贡献：

不同于现阶段使用 MoE 架构的原始动机，ChartMoE 的目标不是扩展模型的容量，而是探究 MoE 这种 Sparse 结构在下游任务上的应用，通过对齐任务来增强模型对图表的理解能力，同时保持在其他通用任务上的性能。
不同于之前依赖 ramdom 或 co-upcycle 初始化的方法，ChartMoE 利用多样的对齐任务进行专家初始化。这种方法加大了专家间的异质性，使 ChartMoE 可以学习到更全面的视觉表征，展现出显著的解释性。

ChartMoE 是一个以 InternLM-XComposer2 模型为训练起点、引入 MoE Connector 结构的多模态大语言模型，具有先进的图表理解、图表重绘、图表编辑、重要部分高亮、转换图表类型等能力。ChartMoE 为图表（Chart）这种独特于自然图像的输入，设计了多阶段的图文对齐方式，每一个阶段产物都是 MoE Connector 中的一个专家，这样的训练方式和模型设计不仅能获得更全面的视觉表征、显著提高 MLLM 的图表理解能力，还可以在不加入通用数据的情景下，减少模型对通用知识的遗忘。

多阶段对齐训练的 MoE

通用 MLLM，如 LLaVA，他们的 training recipe 通常分为两个阶段，第一个阶段使用图文对（image-text pair）训练 MLP Connector，第二阶段 SFT 训练 MLP Connector + LLM。
这种范式可以很自然的迁移到 Chart MLLM 中，如：ACL24 的 ChartAst，使用成对的 Chart-Table 进行第一阶段的图文对齐。

然而，Table 这种结构化文本格式，其中仅包含了每个数据点的数值，以及 xy 轴的含义等信息，几乎不保留视觉元素信息，如：颜色、图表类型、图形元素的相对关系等。所以，ChartMoE 希望采用更多样、更全面的对齐方式，将 Chart 转译成三种结构化文本格式：Table、JSON、Python Code。

我们以开源数据集（ChartQA、PlotQA、ChartY）中的表格数据作为起始点，为每个图表类型人为定义了 JSON 键，通过 random 生成、GPT 生成等方式为每个键填上对应的值，从而构建出 JSON 数据。此后可以将 JSON 中的键值对填入到每个图表类型预定义好的代码模板中得到 Python 代码来生成图表，从而构成 (Chart, Table, JSON, Code) 四元组，通过这种方式，采集了约 900k 数据，称为 ChartMoE-Align。

获取到数据后，ChartMoE 采用 chart-to-table、chart-to-json、chart-to-code 三种方式进行图文对齐，每个任务分别训练一个独立的 MLP Connector，拼上初始的通用 MLLM 中的 MLP Connector，再加上一个随机初始化的 learnable router，就可以构成一个亟待吃下 SFT 数据的 MoE Connector，即：Diversely Aligned MoE。

对比 Diversely Aligned MoE 与 Random 初始化、Co-Upcycle 初始化（即把通用 Connector 复制 N 份）的 Training Loss，我们发现，Diversely Aligned MoE 能够有更低的初始 loss（因为已经更好地学到了对齐到后续 LLM 的 chart 表征），以及整体更平滑的训练曲线。

Training Recipes

ChartMoE 训练分为三个阶段：

多阶段对齐（数据：ChartMoE-Align，Table 500k + JSON 200k + Code 100k），仅训练 MLP Connector，最后拼成 MoE Connector。
广泛学习高质量知识（使用 MMC-Instruct 数据集，包含很多 Chart 相关的任务，如：Chart Summarization），训练 MoE Connector（尤其是 Learnable Router，亟待学习）以及 LLM Lora。
Chart 领域 SFT（ChartQA + ChartGemma）：训练 MoE Connector 以及 LLM Lora；
PoT（Program-of-Thought）：即输出 python 代码来解决问题，可以让模型将计算交给代码，提高解题准确率，如：一个利润柱状图，问最高利润和最低利润差多少，就会输出代码：
profits = [5, 7, 9, 1, 11, -3]
print (max (profits) - min (profits))

ChartMoE 表征可视化

按每个 Visual Patch Token 选择的专家序号进行可视化，观察 Visual Patch 的 Top-1 的专家选择分布：

背景 tokens 倾向于选择通用通用专家，也说明通用专家选择占比非常高。
数据点、图像元素、图像元素间的 interaction（如第一行第四列的 graph 图的 edges）非常倾向于选择 code 专家（尽管 chart-to-code 数据中并没有包含这种 graph 图表）。
标题、xy 轴标注、xy 轴刻度、图例等文本信息，倾向于选择 table/JSON 专家。
类似的现象也可以泛化到通用场景，尽管我们整个 training 中完全没有包含这样的数据。

ChartMoE 专家分布可视化

我们分析了完全让模型自由学习，不加入 MoE balance loss 下的专家选择分布，和上文所述符合，模型倾向于选择通用专家和最富含信息的 Code 专家 Random 初始化、Co-Upcycle 初始化、加入 balance loss 的 Diversely-Aligned 初始化，我们均有进行专家选择分布的分析，以及严格控制变量下的 ChartQA 性能比较：

尽管前三者都会获得更均衡的专家分布，但性能是不如完全不加 balance loss 自由学习 Divesely-Aligned MoE 的，可能是因为：

对于视觉信息，本就是分类不均衡的，信息相对少的背景 tokens 占全部视觉 tokens 的大多数。

balance loss 本身目的并非在于性能的提升，而是专家选择更均衡后，配合专家并行 (Expert Parallel) 技术，可以提高训练 / 推理的效率。

我们额外分析了最终的 ChartMoE checkpoint，强行固定选择某个专家的性能：

可以看到，和专家选择分布基本保持一致，模型自己最知道哪个专家能获得好性能了。

ChartMoE Performance（Chart & 通用）

这里想先 show 一下通用领域，因为 chart 领域的 sota 在进行了细粒度的多样化对齐后，相对来说更加可以预见。在不使用通用领域数据的情况下，在通用领域中遗忘更少，可能是做下游领域 MLLM 更关注的事情。这会让我们有更好的预期：比如加入通用数据后，通用能力不掉！

我认为通用领域遗忘更少有两个原因：

（显而易见）插入了通用专家，尽管通用专家也更新了。

（可能更本质）MoE Connector 的结构，由于 learnable router 的存在，通用专家的更新相比普通的 MLP Connector 是更少的（比如有些 token 可能确实没选到通用专家，它就不会对通用专家的更新产生贡献），某种程度上，可以认为 MoE Connector 这种 sparse 结构本身就带有一定的正则作用。

通用领域

我们选择了 MME 和 MMBench 两个比较有代表性的通用领域的 benchmark，比较了 baseline（InternLM-XComposer2）、用 chart 数据 directly SFT、以及 ChartMoE 的性能，可以看到，Directly SFT 模型在通用领域掉点严重，ChartMoE 几乎不会掉性能，且在有些细分领域上还有增点

Chart 领域

对于 Chart 领域，我们选择了 ChartQA、ChartBench（主要是无数值标注的 Chart）、ChartFC&ChartCheck（Fact Checking 任务，回答支持或不支持），在这些 Benchmark 上，ChartMoE 都能达到非常好的性能，尤其是相对初始的 baseline 模型（InternLM-XComposer2）提升非常显著