Bewertung und Optimierung multimodaler Belohnungsmodelle in der KI-Forschung

Die Bewertung von multimodalen Belohnungsmodellen: Herausforderungen und neue Ansätze

Die Entwicklung von großen multimodalen Modellen (z.B. Vision-Language-Models, VLMs) schreitet rasant voran. Diese Modelle können komplexe Aufgaben bearbeiten, die sowohl visuelle als auch sprachliche Informationen verarbeiten. Ein wichtiger Bestandteil dieser Entwicklung ist die Optimierung der Belohnungsmodelle, die das Verhalten der VLMs steuern. Dieser Artikel beleuchtet die aktuellen Herausforderungen bei der Bewertung dieser Belohnungsmodelle und stellt neue Ansätze vor, insbesondere im Hinblick auf prozessüberwachte Belohnungsmodelle.

Zwei Arten von Belohnungsmodellen: Output vs. Prozess

Im Kontext von VLMs werden zwei Haupttypen von Belohnungsmodellen unterschieden: Output Reward Models (ORMs) und Process Reward Models (PRMs). ORMs bewerten die endgültige Ausgabe eines Modells, während PRMs den gesamten Prozess der Entscheidungsfindung, also jeden einzelnen Schritt, bewerten. PRMs bieten den Vorteil, detaillierteres Feedback zu liefern und somit das Training von VLMs für komplexere Aufgaben zu erleichtern. Bisherige Studien zeigen jedoch, dass weder ORMs noch PRMs durchgängig bessere Ergebnisse liefern. Es zeigt sich auch, dass leistungsstärkere VLMs nicht zwangsläufig zu einer besseren Belohnungsleistung führen.

ViLBench: Ein neuer Benchmark für die Bewertung von PRMs

Um die Bewertung von PRMs im multimodalen Bereich voranzutreiben, wurde ViLBench entwickelt, ein neuer Benchmark, der speziell auf die Anforderungen von prozessbasierten Belohnungssignalen zugeschnitten ist. ViLBench stellt eine besondere Herausforderung für aktuelle VLMs dar. So erreicht beispielsweise GPT-4o von OpenAI mit Chain-of-Thought (CoT) nur eine Genauigkeit von 27,3% auf diesem Benchmark. Dies verdeutlicht den Bedarf an verbesserten Methoden zur Entwicklung und Bewertung von PRMs.

Ein vielversprechender Ansatz: Datenerhebung mit Tree-Search

Ein vielversprechender Ansatz zur Verbesserung von PRMs ist die Erhebung großer Mengen an Trainingsdaten mit Hilfe von Tree-Search-Algorithmen. In einer Studie wurde ein 3B-Modell mit 73.6K Vision-Language-Prozess-Belohnungsdaten trainiert, die mit einem erweiterten Tree-Search-Algorithmus gesammelt wurden. Dieses Modell zeigte eine durchschnittliche Verbesserung von 3,3% gegenüber Standard-CoT und bis zu 2,5% im Vergleich zu seinem untrainierten Gegenstück auf ViLBench bei der Auswahl von OpenAI o1-Generierungen. Diese Ergebnisse deuten darauf hin, dass die gezielte Datenerhebung mit Tree-Search ein effektiver Weg sein kann, um die Lücke zwischen allgemeinen VLMs und spezialisierten Belohnungsmodellen zu schließen.

Fazit

Die Entwicklung und Bewertung von Belohnungsmodellen, insbesondere PRMs, ist entscheidend für den Fortschritt im Bereich der multimodalen KI. ViLBench bietet eine wertvolle Ressource zur Evaluierung dieser Modelle und zeigt den Bedarf an weiteren Forschungsanstrengungen. Die Datenerhebung mit Tree-Search-Algorithmen stellt einen vielversprechenden Ansatz dar, um die Leistung von PRMs zu verbessern und die Entwicklung von leistungsfähigeren VLMs zu ermöglichen. Weitere Forschung ist notwendig, um das volle Potenzial von PRMs auszuschöpfen und die Herausforderungen im Bereich der multimodalen Belohnungsmodellierung zu bewältigen.

Bibliographie: Haoqin Tu, Weitao Feng, Hardy Chen, Hui Liu, Xianfeng Tang, Cihang Xie. "ViLBench: A Suite for Vision-Language Process Reward Modeling." arXiv preprint arXiv:2503.20271 (2025). https://paperreading.club/page?id=295245 https://arxiv.org/html/2503.07478v1 https://huggingface.co/papers/2312.09187 https://proceedings.neurips.cc/paper_files/paper/2024/file/5c20c00504e0c049ec2370d0cceaf3c4-Paper-Conference.pdf https://github.com/AlignmentResearch/vlmrm https://www.researchgate.net/publication/389176835_Multimodal_RewardBench_Holistic_Evaluation_of_Reward_Models_for_Vision_Language_Models https://openreview.net/forum?id=gpP68EP1Jn https://huggingface.co/papers/2503.03746