VARGPT-v1.1: Verbesserung des visuellen autoregressiven großen einheitlichen Modells durch iteratives Instruktions-Finetuning und Reinforcement Learning

VARGPT-v1.1: Improve Visual Autoregressive Large Unified Model via Iterative Instruction Tuning and Reinforcement Learning

April 3, 2025

Autoren: Xianwei Zhuang, Yuxin Xie, Yufan Deng, Dongchao Yang, Liming Liang, Jinghan Ru, Yuguo Yin, Yuexian Zou

cs.AI

Zusammenfassung

In dieser Arbeit präsentieren wir VARGPT-v1.1, ein fortschrittliches, vereinheitlichtes visuelles autoregressives Modell, das auf unserem bisherigen Framework VARGPT aufbaut. Das Modell bewahrt das duale Paradigma der Next-Token-Vorhersage für das visuelle Verständnis und der Next-Scale-Generierung für die Bildsynthese. Konkret integriert VARGPT-v1.1: (1) eine neuartige Trainingsstrategie, die iteratives visuelles Instruction Tuning mit Reinforcement Learning durch Direct Preference Optimization (DPO) kombiniert, (2) einen erweiterten Trainingskorpus mit 8,3 Millionen visuell-generativen Instruktionspaaren, (3) ein verbessertes Sprachmodell-Backbone auf Basis von Qwen2, (4) eine erhöhte Bildgenerierungsauflösung sowie (5) emergente Bildbearbeitungsfähigkeiten ohne architektonische Modifikationen. Diese Fortschritte ermöglichen es VARGPT-v1.1, Spitzenleistungen in multimodalen Verständnis- und Text-zu-Bild-Instruktionsfolgeaufgaben zu erzielen, wobei signifikante Verbesserungen sowohl in den Verständnis- als auch in den Generierungsmetriken demonstriert werden. Besonders bemerkenswert ist, dass das Modell durch visuelles Instruction Tuning Bildbearbeitungsfunktionalität erwirbt, während es die architektonische Konsistenz mit seinem Vorgänger beibehält, was das Potenzial für vereinheitlichtes visuelles Verständnis, Generierung und Bearbeitung offenbart. Unsere Ergebnisse legen nahe, dass gut konzipierte, vereinheitlichte visuelle autoregressive Modelle effektiv flexible Trainingsstrategien von großen Sprachmodellen (LLMs) übernehmen können und vielversprechende Skalierbarkeit aufweisen. Die Codebasis und die Modellgewichte sind öffentlich unter https://github.com/VARGPT-family/VARGPT-v1.1 verfügbar.

English

In this work, we present VARGPT-v1.1, an advanced unified visual autoregressive model that builds upon our previous framework VARGPT. The model preserves the dual paradigm of next-token prediction for visual understanding and next-scale generation for image synthesis. Specifically, VARGPT-v1.1 integrates: (1) a novel training strategy combining iterative visual instruction tuning with reinforcement learning through Direct Preference Optimization (DPO), (2) an expanded training corpus containing 8.3M visual-generative instruction pairs, (3) an upgraded language model backbone using Qwen2, (4) enhanced image generation resolution, and (5) emergent image editing capabilities without architectural modifications. These advancements enable VARGPT-v1.1 to achieve state-of-the-art performance in multimodal understanding and text-to-image instruction-following tasks, demonstrating significant improvements in both comprehension and generation metrics. Notably, through visual instruction tuning, the model acquires image editing functionality while maintaining architectural consistency with its predecessor, revealing the potential for unified visual understanding, generation, and editing. Our findings suggest that well-designed unified visual autoregressive models can effectively adopt flexible training strategies from large language models (LLMs), exhibiting promising scalability. The codebase and model weights are publicly available at https://github.com/VARGPT-family/VARGPT-v1.1.