OmniBench: Auf dem Weg zur Zukunft universeller Omni-Sprachmodelle

OmniBench: Towards The Future of Universal Omni-Language Models

September 23, 2024

Autoren: Yizhi Li, Ge Zhang, Yinghao Ma, Ruibin Yuan, Kang Zhu, Hangyu Guo, Yiming Liang, Jiaheng Liu, Jian Yang, Siwei Wu, Xingwei Qu, Jinjie Shi, Xinyue Zhang, Zhenzhu Yang, Xiangzhou Wang, Zhaoxiang Zhang, Zachary Liu, Emmanouil Benetos, Wenhao Huang, Chenghua Lin

cs.AI

Zusammenfassung

In jüngster Zeit haben Fortschritte bei multimodalen großen Sprachmodellen (MLLMs) das Ziel verfolgt, Daten über verschiedene Modalitäten zu integrieren und zu interpretieren. Die Fähigkeit dieser Modelle, gleichzeitig mehrere Modalitäten zu verarbeiten und darüber zu argumentieren, bleibt jedoch unzureichend erforscht, teilweise aufgrund des Mangels an umfassenden Modalitäts-spezifischen Benchmarks. Wir stellen OmniBench vor, einen neuartigen Benchmark, der entwickelt wurde, um die Fähigkeit von Modellen zu erkennen, zu interpretieren und über visuelle, akustische und textuelle Eingaben gleichzeitig zu argumentieren, rigoros zu bewerten. Wir definieren Modelle, die zu einer solchen tri-modalen Verarbeitung fähig sind, als Omni-Sprachmodelle (OLMs). OmniBench zeichnet sich durch hochwertige menschliche Annotationen aus, die sicherstellen, dass genaue Antworten ein integriertes Verständnis und Argumentieren über alle drei Modalitäten erfordern. Unsere Hauptergebnisse zeigen, dass: i) Open-Source OLMs kritische Einschränkungen bei der Befolgung von Anweisungen und Argumentationsfähigkeiten innerhalb tri-modaler Kontexte aufweisen; und ii) die Basismodelle schlecht abschneiden (unter 50% Genauigkeit), selbst wenn alternative textuelle Darstellungen von Bildern und Audio bereitgestellt werden. Diese Ergebnisse legen nahe, dass die Fähigkeit, einen konsistenten Kontext aus Text, Bild und Audio zu konstruieren, in bestehenden MLLM-Trainingsparadigmen oft übersehen wird. Wir plädieren dafür, dass zukünftige Forschung darauf abzielt, robustere tri-modale Integrations- und Trainingsstrategien zu entwickeln, um die Leistung von OLMs über verschiedene Modalitäten hinweg zu verbessern. Die Codes und die aktuelle Rangliste finden Sie unter https://m-a-p.ai/OmniBench.

English

Recent advancements in multimodal large language models (MLLMs) have aimed to integrate and interpret data across diverse modalities. However, the capacity of these models to concurrently process and reason about multiple modalities remains inadequately explored, partly due to the lack of comprehensive modality-wise benchmarks. We introduce OmniBench, a novel benchmark designed to rigorously evaluate models' ability to recognize, interpret, and reason across visual, acoustic, and textual inputs simultaneously. We define models capable of such tri-modal processing as omni-language models (OLMs). OmniBench is distinguished by high-quality human annotations, ensuring that accurate responses require integrated understanding and reasoning across all three modalities. Our main findings reveal that: i) open-source OLMs exhibit critical limitations in instruction-following and reasoning capabilities within tri-modal contexts; and ii) the baseline models perform poorly (below 50% accuracy) even when provided with alternative textual representations of images and audio. These results suggest that the ability to construct a consistent context from text, image, and audio is often overlooked in existing MLLM training paradigms. We advocate for future research to focus on developing more robust tri-modal integration techniques and training strategies to enhance OLM performance across diverse modalities. The codes and live leaderboard could be found at https://m-a-p.ai/OmniBench.