Llama模仿Diffusion多模态涨分30%！不卷数据不烧卡，只需共享注意力分布

这次不是卷参数、卷算力，而是卷“跨界学习”——

让Stable Diffusion当老师，教多模态大模型（如Llama-3.2）如何“看图说话”！

性能直接飙升30%。

中国研究员联合DeepMind团队的最新研究《Lavender: Diffusion Instruction Tuning》，通过简单的“注意力对齐”，仅需1天训练、2.5%常规数据量，即可让Llama-3.2等模型在多模态问答任务中性能飙升30%，甚至能防“偏科”（分布外医学任务提升68%）。

且代码、模型、训练数据将全部开源！

下面具体来看。

模仿Stable Diffusion的交叉注意力机制

当前遇到的问题是：

传统多模态大模型（VLM）的“视觉课”总不及格？数据不够、过拟合、细节抓不准……像极了考前突击失败的学渣。

对此，团队提出了新的解决方案：

让Stable Diffusion这位“图像生成课代表”，直接共享它的“学霸笔记”——注意力分布。

展开来说，其跨界教学可分为三步走：

Step1：拜师学艺。VLM（如Llama-3.2）向Stable Diffusion学习如何“看图”，通过轻量级对齐网络（Aligner）模仿其交叉注意力机制。

Step2：高效补课：仅用13万样本（常规数据量的2.5%）、8块GPU训练1天，不卷数据不烧卡。

Step3：防偏科秘籍。引入LoRA技术“轻装上阵”，保留原模型能力的同时，专攻薄弱环节。

然后来看下具体效果。

从论文晒出的成绩单来看，在16项视觉-语言任务中，Lavender调教后的Llama-3.2，性能大有提升——

在预算有限的小模型赛道上，超过SOTA（当前最优模型）50%。

在超大模型圈子里，Lavender调教的Llama-3.2-11B居然能和那些“巨无霸”SOTA打得有来有回。

要知道，这些对手的体量一般在它的10倍以上。

更令人惊讶的是，Lavender连医学数据都没“补习”，就直接让Llama-3.2-11B在WorldMedQA这个“超纲考试”中成绩暴涨68%。

具体分数见图表（柱状图已标出）

代码/模型/训练数据全开源

小结一下，新研究主要技术亮点如下：

1、注意力对齐：Stable Diffusion的“独家教案”

传统VLM的注意力机制像“散光患者”，而Stable Diffusion的注意力分布则是“高清显微镜”。Lavender通过MSE损失函数，让VLM学会Stable Diffusion的“聚焦技巧”，直接提升视觉理解精度。

2. 数据不够？知识蒸馏来凑

无需海量标注数据，直接从图像生成模型中蒸馏视觉知识，堪称“小样本学习神器”。正如论文团队调侃：“这大概就是AI界的‘名师一对一补习班’。”

3. 防过拟合Buff：LoRA+注意力约束

通过低秩适配（LoRA）锁定核心参数，避免模型“死记硬背”。实验显示，Lavender在分布外任务上的鲁棒性吊打传统SFT方法，具备“抗偏科体质”。

另外，从具体应用场景来看，Lavender的视觉理解能力直接拉满。

无论是表格标题还是图表里的小数据点，Lavender都能一眼锁定关键信息，不会“偏题”；且对于复杂图形、大小位置关系，Lavender也能避免视觉误导，轻松拿捏。

实验显示，从医学病灶定位到多语言问答，Lavender不仅看得准，还答得对，连西班牙语提问都难不倒它。

目前，团队不仅公开了论文，代码/模型/训练数据也全部开源了。

• 训练数据：由Stable Diffusion标注的高质量对齐样本；
• 预训练模型：基于Llama-3.2、MiniCPMv2.5等架构的Lavender适配版；
• 调参指南：从小白到进阶的“注意力对齐”实操手册；

对于上述研究，团队负责人表示：

我们希望证明，高效、轻量的模型优化，比无脑堆参数更有未来。

论文：

https://arxiv.org/abs/2502.06814

项目主页：

https://astrazeneca.github.io/vlm/

文章来自于“量子位”，作者“靳晨”。