Data-Juicer Sandbox: Eine umfassende Suite für die gemeinsame Entwicklung von multimodalen Datenmodellen.

Data-Juicer Sandbox: A Comprehensive Suite for Multimodal Data-Model Co-development

July 16, 2024

Autoren: Daoyuan Chen, Haibin Wang, Yilun Huang, Ce Ge, Yaliang Li, Bolin Ding, Jingren Zhou

cs.AI

Zusammenfassung

Das Aufkommen von groß angelegten Multi-Modal-Generierungsmodellen hat die künstliche Intelligenz drastisch vorangetrieben, indem es beispiellose Leistungs- und Funktionsniveaus eingeführt hat. Die Optimierung dieser Modelle bleibt jedoch eine Herausforderung aufgrund historisch isolierter Wege der modellzentrierten und datenzentrierten Entwicklungen, was zu suboptimalen Ergebnissen und ineffizienter Ressourcennutzung führt. Als Antwort präsentieren wir eine neuartige Sandbox-Suite, die auf die integrierte Daten-Modell-Co-Entwicklung zugeschnitten ist. Diese Sandbox bietet eine umfassende experimentelle Plattform, die schnelle Iteration und erkenntnisgesteuerte Verfeinerung sowohl von Daten als auch von Modellen ermöglicht. Unser vorgeschlagener "Untersuchen-Analysieren-Verfeinern"-Workflow, validiert durch Anwendungen auf modernsten LLaVA-ähnlichen und DiT-basierten Modellen, erzielt signifikante Leistungssteigerungen, wie beispielsweise den Spitzenplatz auf der VBench-Rangliste. Wir enthüllen auch fruchtbare Erkenntnisse, die aus umfangreichen Benchmarks gewonnen wurden, und beleuchten das kritische Zusammenspiel zwischen Datenqualität, Diversität und Modellverhalten. In der Hoffnung, ein tieferes Verständnis und zukünftigen Fortschritt in Multi-Modal-Daten und generativer Modellierung zu fördern, werden unsere Codes, Datensätze und Modelle gepflegt und unter folgendem Link zugänglich gemacht: https://github.com/modelscope/data-juicer/blob/main/docs/Sandbox.md.

English

The emergence of large-scale multi-modal generative models has drastically advanced artificial intelligence, introducing unprecedented levels of performance and functionality. However, optimizing these models remains challenging due to historically isolated paths of model-centric and data-centric developments, leading to suboptimal outcomes and inefficient resource utilization. In response, we present a novel sandbox suite tailored for integrated data-model co-development. This sandbox provides a comprehensive experimental platform, enabling rapid iteration and insight-driven refinement of both data and models. Our proposed "Probe-Analyze-Refine" workflow, validated through applications on state-of-the-art LLaVA-like and DiT based models, yields significant performance boosts, such as topping the VBench leaderboard. We also uncover fruitful insights gleaned from exhaustive benchmarks, shedding light on the critical interplay between data quality, diversity, and model behavior. With the hope of fostering deeper understanding and future progress in multi-modal data and generative modeling, our codes, datasets, and models are maintained and accessible at https://github.com/modelscope/data-juicer/blob/main/docs/Sandbox.md.