摘要

大规模预训练基础模型已成为构建人工智能（AI）系统的一种新兴范式，能够快速适应多种下游任务。本文提出mPLUG，一种新型的视觉-语言基础模型，兼具跨模态理解与生成能力。现有大多数预训练模型在跨模态对齐过程中，由于视觉序列过长，普遍存在计算效率低下和信息不对称的问题。为解决上述挑战，mPLUG引入了一种高效且创新的视觉-语言架构，采用新颖的跨模态跳跃连接（cross-modal skip-connections），在层间建立捷径，跳过部分网络层，从而避免视觉模态上耗时的全自注意力计算。mPLUG在大规模图像-文本对数据上端到端地进行预训练，同时优化判别式与生成式目标。在多项视觉-语言下游任务中，包括图像描述生成、图文检索、视觉定位和视觉问答等，mPLUG均取得了当前最优性能。此外，mPLUG在直接迁移至多个视频-语言任务时，也展现出强大的零样本迁移能力。