深入理解图表：ChartLlama，腾讯、南洋理工等开源图表巨兽

偷偷努力，悄无声息地变强，然后惊艳所有人！哈哈，小伙伴们又来学习啦~今天我将给大家介绍《深入理解图表：ChartLlama，腾讯、南洋理工等开源图表巨兽》，这篇文章主要会讲到等等知识点，不知道大家对其都有多少了解，下面我们就一起来看一吧！当然，非常希望大家能多多评论，给出合理的建议，我们一起学习，一起进步！

在图像理解领域，多模态大模型已经充分展示了其卓越的性能。然而，对于工作中经常需要处理的图表理解与生成任务，现有的多模态模型仍有进步的空间。

尽管目前在图表理解领域中，最先进的模型在简单测试集上表现出色，但是由于它们缺乏语言理解和输出能力，因此无法胜任更为复杂的问答任务。另一方面，基于大语言模型训练的多模态大模型的表现也不尽如人意，主要是由于它们缺乏对图表的训练样本。这些问题严重制约了多模态模型在图表理解与生成任务上的持续进步

近期，腾讯联合南洋理工大学、东南大学提出了 ChartLlama。研究团队创建了一个高质量图表数据集，并训练了一个专注于图表理解和生成任务的多模态大型语言模型。ChartLlama 结合了语言处理与图表生成等多重性能，为科研工作者和相关专业人员提供了一个强大的研究工具。

论文地址：https://arxiv.org/abs/2311.16483

主页地址：https://tingxueronghua.github.io/ChartLlama/

ChartLlama团队设计了一种巧妙的多元化数据收集策略，利用GPT-4生成具有特定主题、分布和趋势的数据，以确保数据集的多样性。该团队结合了开源的绘图库和GPT-4的编程能力，编写出精确的图表代码，以生成准确的图形化数据表示。此外，团队还使用GPT-4描述图表内容并生成问答对，为每个图表生成了丰富多样的训练样本，以确保经过训练的模型能够充分理解图表

在图表理解领域，传统模型只能完成一些简单的问题，如读取数字等简单的问答任务，无法回答较为复杂的问题。这些模型难以跟随较长的指令，同时在涉及数学运算的问答中，也常常出现运算错误。相比之下，ChartLlama 可以有效地避免这些问题，具体对比如下：

除了传统任务外，研究团队还定义了若干新任务，其中包括三个任务涉及到图表生成。该论文提供了相关示例：

给定图表和指令，进行图表重建与图表编辑的示例

生成图表示例的过程是根据指令和原始数据进行的

ChartLlama 在各种基准数据集上表现出色，达到了最先进的水平，而且所需的训练数据量也较少。它采用了灵活的数据生成和收集方法，大大扩展了图表理解和生成任务中的图表类型和任务种类，为该领域的发展作出了推动

方法概述

ChartLlama 设计了一种灵活的数据收集方法，利用 GPT-4 的强大语言能力和编程能力，创建了丰富的多模态图表数据集。

ChartLlama 的数据收集包括三个主要阶段：

• 图表数据生成：ChartLlama 不仅从传统数据源收集数据，还利用 GPT-4 的能力产生合成数据。通过提供特定的特征，如主题、分布和趋势，从而引导 GPT-4 产生多样化和平衡的图表数据。由于生成的数据包含了已知的数据分布特性，这使得指令数据的构建更加灵活和多样。
• 图表生成：接着，利用 GPT-4 强大的编程能力，使用开源库（如 Matplotlib）根据已生成的数据和函数文档来编写图表绘制脚本，生成了一系列精心渲染的图表。由于图表的绘制完全是基于开源工具，这种算法可以生成更多类型的图表用于训练。对比已有数据集，例如 ChatQA，只支持三种图表类型， ChartLlama 所构建的数据集支持多达 10 种图表类型，而且可以任意扩展。
• 指令数据生成：除了图表渲染外，ChartLlama 还进一步利用 GPT-4 来描述图表内容，构造多种多样的问答数据，以确保训练过的模型能全面理解图表。这个全面的指令调整语料库，融合了叙述文本、问题 - 答案对以及图表的源代码或修改后的代码。过往的数据集只支持 1-3 种图表理解任务，而 ChartLlama 支持多达 10 种图表理解与生成任务，能够更好的帮助训练图文大模型理解图标中的信息
  

使用上述步骤，ChartLlama 已经建立了一个包含多种任务和多种图表类型的数据集。 不同类型的任务和图表在总数据集中所占的比例如下：

请参考论文原文以获取更详细的指令和说明

实验结果

无论是传统任务还是新的任务，ChartLlama 都展现了最优越的性能。传统任务包括图表问答、图表总结，以及图表的结构化数据提取。对比 ChartLlama 和此前最先进的模型，结果如下图所示：

研究人员还评估了ChartLlama独有的任务能力，包括生成图表代码、总结图表和编辑图表。他们还创建了相应任务的测试集，并与目前最强大的开源图文模型LLaVA-1.5进行了对比。以下是结果：

研究团队在各种不同类型的图表中测试了ChartLlama的问答准确率，并将其与之前的SOTA模型Unichart和提出的基线模型进行了比较，结果如下：

总的来说，ChartLlama 不仅推动了多模态学习的边界，也为图表的理解和生成提供了更精确和高效的工具。无论是在学术写作还是在企业演示中，ChartLlama 都将使图表的理解和创造变得更加直观和高效，在生成和解读复杂视觉数据方面迈出了重要的一步。

有兴趣的读者可以前往论文原文，以获取更多研究内容

好了，本文到此结束，带大家了解了《深入理解图表：ChartLlama，腾讯、南洋理工等开源图表巨兽》，希望本文对你有所帮助！关注golang学习网公众号，给大家分享更多科技周边知识！