视觉语言模型（如 GPT-4o、DALL-E 3）通常拥有数十亿参数，且模型权重不公开，使得传统的白盒优化方法（如反向传播）难以实施。

那么，有没有更轻松的优化方法呢？

就在最近，卡内基梅隆大学（CMU）的研究团队对于这个问题提出了一种创新的“黑盒优化”策略——

通过大语言模型自动调整自然语言提示词，使视觉语言模型在文生图、视觉识别等多个下游任务中获得更好的表现。

这一方法不仅无需触及模型内部参数，还大幅提升了优化的灵活性与速度，让用户即使没有技术背景也能轻松提升模型性能。

该研究已被 CVPR 2024 接收。

如何做到的？

大多数视觉语言模型（如 DALL-E 3、GPT-4o 等）并未公开模型权重或特征嵌入，导致传统依赖反向传播的优化方式不再适用。

不过，这些模型通常向用户开放了自然语言接口，使得通过优化提示词来提升模型表现成为可能。

然而，传统的提示词工程严重依赖工程师的经验和先验知识。

例如，为提升 CLIP 模型的视觉识别效果，OpenAI 花费了一年时间收集了几十种有效的提示词模板（如 “A good photo of a [class]”）。

同样，在使用DALL-E 3和Stable Diffusion等文生图模型时，用户往往也需掌握大量提示词技巧才能生成满意的结果。

那么，有没有替代人类提示词工程师的方法？

有的 CMU 团队提出了一种新策略：用 ChatGPT 等大语言模型自动优化提示词。

像提示词工程师利用反馈改进提示词一样，CMU 的方法将正负反馈交给 ChatGPT，以更高效地调整提示词，具体过程如图所示：

这种优化过程类似于机器学习中的“爬山法”（hill-climbing）策略，不同之处在于大语言模型可以自动分析提示词表现，从正负反馈中找到最优改进方向。

研究团队利用这一特性来更高效地优化提示词。这个过程可以用以下步骤概括：

1. 提示词初始化：收集一批未经优化的初始提示词。
2. 提示词排序：对当前提示词进行表现评分，保留高分提示词，替换低分提示词。
3. 生成新提示词：通过大语言模型，根据提示词的表现生成新的候选提示词。

经过多轮迭代，最终返回得分最高的提示词作为优化结果。

实验结果

通过这一方法，CMU 团队在无需人类提示工程师参与的情况下，在多个小样本视觉识别数据集上取得了最佳准确性，甚至超越了传统的白盒提示词优化方法（如 CoOp）。

此外，该方法在无需了解数据集内容的前提下，自动捕捉到了下游任务的视觉特性并将其融入提示词中，取得了更好的效果。

例如，在食物识别任务中，ChatGPT 自动将提示词调整为识别“多样化的美食和原料”，从而提升了模型的表现。

研究团队还证明了，通过 ChatGPT 黑盒优化得到的提示词不仅适用于单一模型架构，还能在不同模型架构（如 ResNet 和 ViT）之间泛化，并且在多种模型上表现优于白盒优化得到的提示词。

这一系列实验证明，大语言模型能够从提示词的性能反馈中提取出隐含的“梯度”方向，从而实现无需反向传播的模型优化。

在文生图任务中的应用

CMU 团队进一步探索了该方法在生成任务中的应用潜力。

在文本到图像生成（T2I）任务中，ChatGPT 能够自动优化提示词，从而生成更符合用户需求的高质量图像。

例如，对于输入描述“一个动物注视着一个人”，系统可以通过逐步优化提示词来提升生成图像的准确性。

此外，这一方法还适用于提示反演（Prompt Inversion）。

提示反演是一种根据现有图像反推生成模型输入提示词的技术，简单来说，就是通过图像生成能够再现其特征的文本描述（提示词）。

研究团队在复杂的文本到图像任务上进行了测试，结果表明这一方法仅需三轮提示词优化，就能显著提高用户的满意度。

此外，研究团队还指出，提示反演可以帮助用户快速定制特定的图像效果，例如“让这只狗变成站立姿势”或“让背景变成夜景”，从而生成符合特定需求的图像。

CMU 团队表示，提出的黑盒优化范式突破了传统模型调优的限制，不仅在图像分类和生成任务中表现出色，还展示了广泛的应用潜力。

这一方法无需访问模型权重，仅通过“文本梯度”实现精准优化，具备强大的扩展性。

未来，黑盒优化有望应用于实时监控、自动驾驶、智能医疗等复杂动态场景，为多模态模型的调优带来更加灵活高效的解决方案。

团队介绍

团队的一作刘士弘（Shihong Liu）是卡内基梅隆大学的研究生毕业生，曾任机器人研究所研究员。

目前在 北美Amazon 工作，负责大型分布式系统的计算和大语言模型驱动的 AI Agent 的开发。

△刘士弘（Shihong Liu）

团队的共同一作林之秋（Zhiqiu Lin）是卡内基梅隆大学的博士研究生，专注于视觉-语言大模型的自动评估与优化。

Zhiqiu Lin在CVPR、NeurIPS、ICML、ECCV等顶级会议上发表了十数篇论文，并曾荣获最佳论文提名和最佳短论文奖等。

△林之秋（Zhiqiu Lin）

Deva Ramanan教授是计算机视觉领域的国际知名学者，现任卡内基梅隆大学教授。

△Deva Ramanan教授

他的研究涵盖计算机视觉、机器学习和人工智能领域，曾获得多项顶级学术荣誉，包括2009年的David Marr奖、2010年的PASCAL VOC终身成就奖、2012年的IEEE PAMI青年研究员奖、2012年《大众科学》评选的“十位杰出科学家”之一、2013年美国国家科学院Kavli Fellow、2018年和2024年的Longuet-Higgins奖，以及因其代表性工作（如COCO数据集）获得的Koenderink奖。

此外，他的论文在CVPR、ECCV和ICCV上多次获得最佳论文提名及荣誉奖。他的研究成果对视觉识别、自动驾驶、和人机交互等应用产生了深远影响，是该领域极具影响力的科学家之一。

 CVPR’24论文链接: 

https://arxiv.org/abs/2309.05950

 论文代码: 

https://github.com/shihongl1998/LLM-as-a-blackbox-optimizer

 项目网站： 

https://llm-can-optimize-vlm.github.io

文章来自于微信公众号 “量子位”，作者“林之秋”