摘要

我们提出了一种统一的视觉-语言预训练模型（VLMo），该模型通过模块化的Transformer网络联合学习一个双编码器（dual encoder）和一个融合编码器（fusion encoder）。具体而言，我们引入了多模态专家混合（Mixture-of-Modality-Experts, MoME）Transformer架构，其中每个网络模块包含一组针对特定模态的专家（modality-specific experts）以及一个共享的自注意力层。由于MoME架构具有高度的建模灵活性，预训练的VLMo模型可被微调为用于视觉-语言分类任务的融合编码器，也可直接作为双编码器用于高效的图像-文本检索任务。此外，我们提出了一种分阶段预训练策略，能够有效利用大规模的纯图像数据、纯文本数据以及图像-文本配对数据。实验结果表明，VLMo在多个视觉-语言任务上均取得了当前最优性能，涵盖视觉问答（VQA）、自然语言视觉推理2.0（NLVR2）以及图像-文本检索等任务。相关代码与预训练模型已公开，可通过 https://aka.ms/vlmo 获取。