OmniBench: Hacia el Futuro de los Modelos Universales de Lenguaje Omni.

OmniBench: Towards The Future of Universal Omni-Language Models

September 23, 2024

Autores: 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

Resumen

Los avances recientes en modelos de lenguaje grandes multimodales (MLLMs) han tenido como objetivo integrar e interpretar datos a través de diversas modalidades. Sin embargo, la capacidad de estos modelos para procesar y razonar simultáneamente sobre múltiples modalidades sigue siendo insuficientemente explorada, en parte debido a la falta de benchmarks exhaustivos por modalidad. Presentamos OmniBench, un benchmark novedoso diseñado para evaluar rigurosamente la capacidad de los modelos para reconocer, interpretar y razonar a través de entradas visuales, acústicas y textuales simultáneamente. Definimos a los modelos capaces de dicho procesamiento tri-modal como modelos omni-lenguaje (OLMs). OmniBench se distingue por sus anotaciones humanas de alta calidad, asegurando que respuestas precisas requieran una comprensión integrada y razonamiento a través de las tres modalidades. Nuestros hallazgos principales revelan que: i) los OLMs de código abierto muestran limitaciones críticas en seguir instrucciones y capacidades de razonamiento dentro de contextos tri-modales; y ii) los modelos base tienen un desempeño deficiente (por debajo del 50% de precisión) incluso cuando se les proporcionan representaciones textuales alternativas de imágenes y audio. Estos resultados sugieren que la capacidad de construir un contexto consistente a partir de texto, imagen y audio a menudo se pasa por alto en los paradigmas de entrenamiento de MLLM existentes. Abogamos por que la investigación futura se enfoque en desarrollar técnicas de integración tri-modal más robustas y estrategias de entrenamiento para mejorar el rendimiento de OLMs a través de diversas modalidades. Los códigos y la tabla de clasificación en vivo se pueden encontrar en 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.