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。尽管当前图表理解领域中的最先进模型在简单测试集上表现出色，但由于缺乏语言理解和输出能力，它们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针对图表的训练样本。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。

ChartLlama 的团队构思出了一种巧妙的多元化数据收集策略，通过 GPT-4 生成特定主题、分布和趋势的数据，来确保数据集的多样性。研究团队综合开源的绘图库与 GPT-4 的编程能力，来编写图表代码，生成精确的图形化数据表示。此外，研究团队还运用 GPT-4 描述图表内容和生成问答对，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的理解图表。

图表理解领域中，传统模型仅能实现诸如读取图表中的数字这种简单的 QA 任务，无法对较复杂的问题进行回答。具体来说，它们难以跟随较长的指令，在涉及数学运算的问答中，也经常出现运算错误，而 ChartLlama 可以有效的避免此类问题，具体对比如下所示：

在传统任务之外，研究团队也定义了若干新任务，其中有三个任务涉及到了图表生成，论文中给出了相关示例：给定图表和指令，进行图表重建与图表编辑的示例

根据指令和原始数据，生成图表的示例

在各种基准数据集上，ChartLlama 都达到了 SOTA 水平，需要的训练数据量也更少。其灵活的数据生成与收集方法，极大地拓宽了图表理解与生成任务中图表和任务的种类，推动了该领域的发展。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。经过以上步骤，ChartLlama 创建了包含多种任务和多种图表类型的数据集。其中不同类型的任务、图表在总数据集中的占比如下所示：

更详细的指令及其说明请参考论文原文。

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：研究人员也评估了ChartLlama 所独有的任务能力，包括图表代码生成，图表总结和图表编辑，同时也构造了对应任务的测试集，并与当前最强的开源图文大模型 LLaVA-1.5 进行了对比，结果如下所示：研究团队还在类型各异的图表中测试了 ChartLlama的问答准确率，和之前的 SOTA 模型 Unichart 以及提出的基线模型进行了对比，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。对此研究感兴趣的读者可以移步论文原文，了解更多研究内容。